
import pandas as pd 
import numpy as np
import seaborn as sns 
import matplotlib.pyplot as plt
import statsmodels.api as sm
from statsmodels.graphics.tsaplots import plot_acf,plot_pacf
from sklearn.impute import SimpleImputer
pd.set_option('display.max_columns',None)
pd.set_option('display.max_rows',None)
from sklearn.metrics import mean_absolute_percentage_error as mape
from statsmodels.tsa.statespace.sarimax import SARIMAX
from statsmodels.tsa.arima.model import ARIMA


df = pd.read_csv('train_1.csv')


df.shape

(145063, 551)


df.isna().sum()

Page              0
2015-07-01    20740
2015-07-02    20816
2015-07-03    20544
2015-07-04    20654
2015-07-05    20659
2015-07-06    20483
2015-07-07    20664
2015-07-08    20294
2015-07-09    20244
2015-07-10    20342
2015-07-11    20525
2015-07-12    20485
2015-07-13    20399
2015-07-14    20140
2015-07-15    20106
2015-07-16    19987
2015-07-17    20048
2015-07-18    20295
2015-07-19    20142
2015-07-20    19979
2015-07-21    19688
2015-07-22    19573
2015-07-23    19581
2015-07-24    19593
2015-07-25    19589
2015-07-26    19865
2015-07-27    19759
2015-07-28    19553
2015-07-29    19347
2015-07-30    19592
2015-07-31    19708
2015-08-01    19640
2015-08-02    19844
2015-08-03    19842
2015-08-04    19595
2015-08-05    19607
2015-08-06    19424
2015-08-07    19528
2015-08-08    19525
2015-08-09    19320
2015-08-10    19370
2015-08-11    19385
2015-08-12    19507
2015-08-13    19317
2015-08-14    19272
2015-08-15    19320
2015-08-16    19213
2015-08-17    18954
2015-08-18    19104
2015-08-19    18954
2015-08-20    18923
2015-08-21    19012
2015-08-22    18973
2015-08-23    19039
2015-08-24    18781
2015-08-25    18704
2015-08-26    18526
2015-08-27    18870
2015-08-28    18691
2015-08-29    18926
2015-08-30    18993
2015-08-31    18915
2015-09-01    18793
2015-09-02    18716
2015-09-03    18404
2015-09-04    18412
2015-09-05    18464
2015-09-06    18543
2015-09-07    18296
2015-09-08    18263
2015-09-09    18448
2015-09-10    18497
2015-09-11    18329
2015-09-12    18279
2015-09-13    18235
2015-09-14    18407
2015-09-15    18313
2015-09-16    18177
2015-09-17    18097
2015-09-18    18207
2015-09-19    18244
2015-09-20    18345
2015-09-21    18231
2015-09-22    18345
2015-09-23    18155
2015-09-24    18067
2015-09-25    18015
2015-09-26    18102
2015-09-27    18153
2015-09-28    17812
2015-09-29    17897
2015-09-30    17807
2015-10-01    17759
2015-10-02    17695
2015-10-03    17835
2015-10-04    17714
2015-10-05    17594
2015-10-06    17528
2015-10-07    17598
2015-10-08    17725
2015-10-09    17771
2015-10-10    17746
2015-10-11    17844
2015-10-12    17419
2015-10-13    17425
2015-10-14    17244
2015-10-15    17146
2015-10-16    17356
2015-10-17    17275
2015-10-18    17337
2015-10-19    17411
2015-10-20    17206
2015-10-21    17150
2015-10-22    16965
2015-10-23    17189
2015-10-24    17513
2015-10-25    17238
2015-10-26    17216
2015-10-27    17149
2015-10-28    17196
2015-10-29    16743
2015-10-30    16810
2015-10-31    17079
2015-11-01    17094
2015-11-02    17078
2015-11-03    15734
2015-11-04    15714
2015-11-05    15791
2015-11-06    15841
2015-11-07    15930
2015-11-08    15825
2015-11-09    15769
2015-11-10    15699
2015-11-11    15842
2015-11-12    15761
2015-11-13    15895
2015-11-14    15911
2015-11-15    15852
2015-11-16    15835
2015-11-17    15974
2015-11-18    15734
2015-11-19    15419
2015-11-20    15872
2015-11-21    15888
2015-11-22    15743
2015-11-23    15620
2015-11-24    15662
2015-11-25    15793
2015-11-26    15599
2015-11-27    15735
2015-11-28    15847
2015-11-29    15778
2015-11-30    15644
2015-12-01    15449
2015-12-02    15324
2015-12-03    15184
2015-12-04    15354
2015-12-05    15480
2015-12-06    15335
2015-12-07    15338
2015-12-08    15060
2015-12-09    15245
2015-12-10    15187
2015-12-11    15188
2015-12-12    15128
2015-12-13    14884
2015-12-14    14970
2015-12-15    14900
2015-12-16    14846
2015-12-17    14814
2015-12-18    14883
2015-12-19    14966
2015-12-20    14498
2015-12-21    14695
2015-12-22    14710
2015-12-23    14647
2015-12-24    14642
2015-12-25    14667
2015-12-26    14518
2015-12-27    14521
2015-12-28    14247
2015-12-29    14253
2015-12-30    14286
2015-12-31    14303
2016-01-01    14415
2016-01-02    14150
2016-01-03    14313
2016-01-04    14138
2016-01-05    14010
2016-01-06    13950
2016-01-07    13890
2016-01-08    13879
2016-01-09    13787
2016-01-10    13861
2016-01-11    13712
2016-01-12    13425
2016-01-13    13390
2016-01-14    13396
2016-01-15    13514
2016-01-16    13625
2016-01-17    13667
2016-01-18    13448
2016-01-19    13260
2016-01-20    13355
2016-01-21    13176
2016-01-22    13248
2016-01-23    13222
2016-01-24    13016
2016-01-25    12932
2016-01-26    13019
2016-01-27    12897
2016-01-28    12750
2016-01-29    12652
2016-01-30    12652
2016-01-31    12550
2016-02-01    12700
2016-02-02    12744
2016-02-03    12709
2016-02-04    12673
2016-02-05    12696
2016-02-06    12501
2016-02-07    12595
2016-02-08    12525
2016-02-09    12636
2016-02-10    12380
2016-02-11    12057
2016-02-12    12261
2016-02-13    12375
2016-02-14    12417
2016-02-15    12382
2016-02-16    12253
2016-02-17    12140
2016-02-18    12196
2016-02-19    12196
2016-02-20    12137
2016-02-21    12148
2016-02-22    11998
2016-02-23    11868
2016-02-24    12116
2016-02-25    11935
2016-02-26    11707
2016-02-27    11740
2016-02-28    11917
2016-02-29    11923
2016-03-01    11730
2016-03-02    11724
2016-03-03    11755
2016-03-04    11431
2016-03-05    11629
2016-03-06    11665
2016-03-07    11485
2016-03-08    11616
2016-03-09    11661
2016-03-10    11738
2016-03-11    11850
2016-03-12    11725
2016-03-13    11582
2016-03-14    11527
2016-03-15    11329
2016-03-16    11440
2016-03-17    10926
2016-03-18    11312
2016-03-19    11123
2016-03-20    11229
2016-03-21    11123
2016-03-22    11116
2016-03-23    10939
2016-03-24    10872
2016-03-25    11006
2016-03-26    10927
2016-03-27    10853
2016-03-28    10774
2016-03-29    10765
2016-03-30    10528
2016-03-31    10593
2016-04-01    10385
2016-04-02    10489
2016-04-03    10744
2016-04-04    10279
2016-04-05    10024
2016-04-06    10053
2016-04-07    10103
2016-04-08    10007
2016-04-09    10175
2016-04-10    10152
2016-04-11    10036
2016-04-12    10059
2016-04-13     9950
2016-04-14     9727
2016-04-15     9916
2016-04-16    10130
2016-04-17     9998
2016-04-18     9561
2016-04-19     9961
2016-04-20     9718
2016-04-21     9614
2016-04-22     9560
2016-04-23     9880
2016-04-24     9730
2016-04-25     9555
2016-04-26     9679
2016-04-27     9371
2016-04-28     9743
2016-04-29     9457
2016-04-30     9629
2016-05-01     9705
2016-05-02     9560
2016-05-03     9265
2016-05-04     9259
2016-05-05     9499
2016-05-06     9295
2016-05-07     9204
2016-05-08     9207
2016-05-09     9325
2016-05-10     9073
2016-05-11     9181
2016-05-12     9183
2016-05-13     8996
2016-05-14     9320
2016-05-15     9222
2016-05-16     9096
2016-05-17     9247
2016-05-18     8995
2016-05-19     8971
2016-05-20     9320
2016-05-21     9216
2016-05-22     9012
2016-05-23     8845
2016-05-24     8936
2016-05-25     8974
2016-05-26     8909
2016-05-27     9055
2016-05-28     8787
2016-05-29     9001
2016-05-30     8622
2016-05-31     8431
2016-06-01     8351
2016-06-02     8324
2016-06-03     8488
2016-06-04     8226
2016-06-05     8433
2016-06-06     8670
2016-06-07     8477
2016-06-08     8484
2016-06-09     8390
2016-06-10     8380
2016-06-11     7981
2016-06-12     8433
2016-06-13     8083
2016-06-14     8045
2016-06-15     8071
2016-06-16     8152
2016-06-17     8224
2016-06-18     7971
2016-06-19     8302
2016-06-20     8074
2016-06-21     7930
2016-06-22     7966
2016-06-23     7728
2016-06-24     7882
2016-06-25     7677
2016-06-26     7992
2016-06-27     7774
2016-06-28     7896
2016-06-29     7738
2016-06-30     7892
2016-07-01     7612
2016-07-02     7696
2016-07-03     8107
2016-07-04     7855
2016-07-05     7800
2016-07-06     7446
2016-07-07     7649
2016-07-08     7946
2016-07-09     7508
2016-07-10     7836
2016-07-11     7569
2016-07-12     7210
2016-07-13     7441
2016-07-14     7193
2016-07-15     7684
2016-07-16     7313
2016-07-17     7819
2016-07-18     7523
2016-07-19     7415
2016-07-20     7310
2016-07-21     7384
2016-07-22     7153
2016-07-23     6985
2016-07-24     7443
2016-07-25     7159
2016-07-26     7087
2016-07-27     7116
2016-07-28     6818
2016-07-29     6873
2016-07-30     6826
2016-07-31     7154
2016-08-01     7023
2016-08-02     6964
2016-08-03     6793
2016-08-04     6917
2016-08-05     6799
2016-08-06     6677
2016-08-07     7169
2016-08-08     6879
2016-08-09     6833
2016-08-10     6813
2016-08-11     6712
2016-08-12     6735
2016-08-13     6366
2016-08-14     6722
2016-08-15     6655
2016-08-16     6693
2016-08-17     6599
2016-08-18     6601
2016-08-19     6413
2016-08-20     6060
2016-08-21     6275
2016-08-22     6135
2016-08-23     6010
2016-08-24     6137
2016-08-25     5978
2016-08-26     6077
2016-08-27     5988
2016-08-28     6310
2016-08-29     6022
2016-08-30     6076
2016-08-31     6091
2016-09-01     5842
2016-09-02     6126
2016-09-03     5673
2016-09-04     5991
2016-09-05     5999
2016-09-06     5638
2016-09-07     5529
2016-09-08     5606
2016-09-09     5882
2016-09-10     5637
2016-09-11     5577
2016-09-12     5205
2016-09-13     5233
2016-09-14     5466
2016-09-15     5243
2016-09-16     5334
2016-09-17     5279
2016-09-18     5613
2016-09-19     5560
2016-09-20     5455
2016-09-21     5600
2016-09-22     5426
2016-09-23     5457
2016-09-24     5138
2016-09-25     5627
2016-09-26     5355
2016-09-27     5518
2016-09-28     5556
2016-09-29     5464
2016-09-30     5481
2016-10-01     4989
2016-10-02     5497
2016-10-03     5434
2016-10-04     5423
2016-10-05     5245
2016-10-06     5480
2016-10-07     5489
2016-10-08     4932
2016-10-09     5355
2016-10-10     5226
2016-10-11     5018
2016-10-12     5069
2016-10-13     4941
2016-10-14     4952
2016-10-15     4720
2016-10-16     4928
2016-10-17     4762
2016-10-18     4858
2016-10-19     4803
2016-10-20     4980
2016-10-21     4881
2016-10-22     4355
2016-10-23     4882
2016-10-24     5143
2016-10-25     4864
2016-10-26     4964
2016-10-27     4829
2016-10-28     4739
2016-10-29     4424
2016-10-30     4768
2016-10-31     4807
2016-11-01     4739
2016-11-02     4471
2016-11-03     4539
2016-11-04     4665
2016-11-05     4405
2016-11-06     4626
2016-11-07     4386
2016-11-08     4529
2016-11-09     4866
2016-11-10     4709
2016-11-11     4632
2016-11-12     4234
2016-11-13     4661
2016-11-14     4422
2016-11-15     4639
2016-11-16     4498
2016-11-17     4357
2016-11-18     4380
2016-11-19     4169
2016-11-20     4502
2016-11-21     4401
2016-11-22     4153
2016-11-23     4374
2016-11-24     4295
2016-11-25     4372
2016-11-26     3779
2016-11-27     4416
2016-11-28     3979
2016-11-29     4071
2016-11-30     4229
2016-12-01     4060
2016-12-02     4243
2016-12-03     3675
2016-12-04     4290
2016-12-05     4231
2016-12-06     4103
2016-12-07     4130
2016-12-08     3962
2016-12-09     4179
2016-12-10     3625
2016-12-11     3581
2016-12-12     3538
2016-12-13     3802
2016-12-14     4108
2016-12-15     4078
2016-12-16     3566
2016-12-17     3559
2016-12-18     3666
2016-12-19     3652
2016-12-20     3268
2016-12-21     3236
2016-12-22     3853
2016-12-23     3584
2016-12-24     3189
2016-12-25     3744
2016-12-26     3918
2016-12-27     3701
2016-12-28     3822
2016-12-29     3826
2016-12-30     3635
2016-12-31     3465
dtype: int64


df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 145063 entries, 0 to 145062
Columns: 551 entries, Page to 2016-12-31
dtypes: float64(550), object(1)
memory usage: 609.8+ MB


exog = pd.read_csv('Exog_Campaign_eng.csv')


exog.shape

(550, 1)


df.head(10)


# The page name contains data in this format:

# SPECIFIC NAME _ LANGUAGE.wikipedia.org _ ACCESS TYPE _ ACCESS ORIGIN


import re
# lang_list.extend([string for string in val if re.search(pattern, string)])
def get_language_list(values):
    ans = []
    pattern = r'_(\w{2,3})\.wikipedia\.org'
    for val in values:
        match = re.search(pattern, val)
        if match:
            language_code = match.group(1)
            ans.append(language_code)  # Output: zh
        else:
            ans.append("NA")
    return ans


df['language_code'] = get_language_list(df['Page'])


df['Page'] = df['language_code']


df.rename({'Page':'Language'},axis=1,inplace=True)


df.drop('language_code',axis=1,inplace=True)


Exo_lang = df['Language']


df = df.loc[:,'2015-07-01':'2016-12-31']


(df.tail(20))


plt.title('Plot of Series Before Imputation')
df.iloc[4].plot(label='before impute')
plt.legend()
plt.show()


np.all(df.loc[145062].isna())

True


def flag_all_nan_rows(df):
    ans = []
    for i in range(df.shape[0]):
        if(np.all(df.loc[i].isna())==True):
            ans.append('Y')
        else:
            ans.append('N')
    return ans
df['Nan Flag'] = flag_all_nan_rows(df)


df['Language'] = Exo_lang


df = df[df['Nan Flag']=='N'].reset_index()


exolang = df['Language']


df.drop(['Language','Nan Flag','index'],axis=1,inplace=True)


df.shape

(144411, 550)


def fill_na_imputation(df):
    for i in range(df.shape[0]):
        df.loc[i].fillna(df.loc[i].median(),inplace=True)
    return df


df = fill_na_imputation(df)


df.isna().sum()

2015-07-01    0
2015-07-02    0
2015-07-03    0
2015-07-04    0
2015-07-05    0
2015-07-06    0
2015-07-07    0
2015-07-08    0
2015-07-09    0
2015-07-10    0
2015-07-11    0
2015-07-12    0
2015-07-13    0
2015-07-14    0
2015-07-15    0
2015-07-16    0
2015-07-17    0
2015-07-18    0
2015-07-19    0
2015-07-20    0
2015-07-21    0
2015-07-22    0
2015-07-23    0
2015-07-24    0
2015-07-25    0
2015-07-26    0
2015-07-27    0
2015-07-28    0
2015-07-29    0
2015-07-30    0
2015-07-31    0
2015-08-01    0
2015-08-02    0
2015-08-03    0
2015-08-04    0
2015-08-05    0
2015-08-06    0
2015-08-07    0
2015-08-08    0
2015-08-09    0
2015-08-10    0
2015-08-11    0
2015-08-12    0
2015-08-13    0
2015-08-14    0
2015-08-15    0
2015-08-16    0
2015-08-17    0
2015-08-18    0
2015-08-19    0
2015-08-20    0
2015-08-21    0
2015-08-22    0
2015-08-23    0
2015-08-24    0
2015-08-25    0
2015-08-26    0
2015-08-27    0
2015-08-28    0
2015-08-29    0
2015-08-30    0
2015-08-31    0
2015-09-01    0
2015-09-02    0
2015-09-03    0
2015-09-04    0
2015-09-05    0
2015-09-06    0
2015-09-07    0
2015-09-08    0
2015-09-09    0
2015-09-10    0
2015-09-11    0
2015-09-12    0
2015-09-13    0
2015-09-14    0
2015-09-15    0
2015-09-16    0
2015-09-17    0
2015-09-18    0
2015-09-19    0
2015-09-20    0
2015-09-21    0
2015-09-22    0
2015-09-23    0
2015-09-24    0
2015-09-25    0
2015-09-26    0
2015-09-27    0
2015-09-28    0
2015-09-29    0
2015-09-30    0
2015-10-01    0
2015-10-02    0
2015-10-03    0
2015-10-04    0
2015-10-05    0
2015-10-06    0
2015-10-07    0
2015-10-08    0
2015-10-09    0
2015-10-10    0
2015-10-11    0
2015-10-12    0
2015-10-13    0
2015-10-14    0
2015-10-15    0
2015-10-16    0
2015-10-17    0
2015-10-18    0
2015-10-19    0
2015-10-20    0
2015-10-21    0
2015-10-22    0
2015-10-23    0
2015-10-24    0
2015-10-25    0
2015-10-26    0
2015-10-27    0
2015-10-28    0
2015-10-29    0
2015-10-30    0
2015-10-31    0
2015-11-01    0
2015-11-02    0
2015-11-03    0
2015-11-04    0
2015-11-05    0
2015-11-06    0
2015-11-07    0
2015-11-08    0
2015-11-09    0
2015-11-10    0
2015-11-11    0
2015-11-12    0
2015-11-13    0
2015-11-14    0
2015-11-15    0
2015-11-16    0
2015-11-17    0
2015-11-18    0
2015-11-19    0
2015-11-20    0
2015-11-21    0
2015-11-22    0
2015-11-23    0
2015-11-24    0
2015-11-25    0
2015-11-26    0
2015-11-27    0
2015-11-28    0
2015-11-29    0
2015-11-30    0
2015-12-01    0
2015-12-02    0
2015-12-03    0
2015-12-04    0
2015-12-05    0
2015-12-06    0
2015-12-07    0
2015-12-08    0
2015-12-09    0
2015-12-10    0
2015-12-11    0
2015-12-12    0
2015-12-13    0
2015-12-14    0
2015-12-15    0
2015-12-16    0
2015-12-17    0
2015-12-18    0
2015-12-19    0
2015-12-20    0
2015-12-21    0
2015-12-22    0
2015-12-23    0
2015-12-24    0
2015-12-25    0
2015-12-26    0
2015-12-27    0
2015-12-28    0
2015-12-29    0
2015-12-30    0
2015-12-31    0
2016-01-01    0
2016-01-02    0
2016-01-03    0
2016-01-04    0
2016-01-05    0
2016-01-06    0
2016-01-07    0
2016-01-08    0
2016-01-09    0
2016-01-10    0
2016-01-11    0
2016-01-12    0
2016-01-13    0
2016-01-14    0
2016-01-15    0
2016-01-16    0
2016-01-17    0
2016-01-18    0
2016-01-19    0
2016-01-20    0
2016-01-21    0
2016-01-22    0
2016-01-23    0
2016-01-24    0
2016-01-25    0
2016-01-26    0
2016-01-27    0
2016-01-28    0
2016-01-29    0
2016-01-30    0
2016-01-31    0
2016-02-01    0
2016-02-02    0
2016-02-03    0
2016-02-04    0
2016-02-05    0
2016-02-06    0
2016-02-07    0
2016-02-08    0
2016-02-09    0
2016-02-10    0
2016-02-11    0
2016-02-12    0
2016-02-13    0
2016-02-14    0
2016-02-15    0
2016-02-16    0
2016-02-17    0
2016-02-18    0
2016-02-19    0
2016-02-20    0
2016-02-21    0
2016-02-22    0
2016-02-23    0
2016-02-24    0
2016-02-25    0
2016-02-26    0
2016-02-27    0
2016-02-28    0
2016-02-29    0
2016-03-01    0
2016-03-02    0
2016-03-03    0
2016-03-04    0
2016-03-05    0
2016-03-06    0
2016-03-07    0
2016-03-08    0
2016-03-09    0
2016-03-10    0
2016-03-11    0
2016-03-12    0
2016-03-13    0
2016-03-14    0
2016-03-15    0
2016-03-16    0
2016-03-17    0
2016-03-18    0
2016-03-19    0
2016-03-20    0
2016-03-21    0
2016-03-22    0
2016-03-23    0
2016-03-24    0
2016-03-25    0
2016-03-26    0
2016-03-27    0
2016-03-28    0
2016-03-29    0
2016-03-30    0
2016-03-31    0
2016-04-01    0
2016-04-02    0
2016-04-03    0
2016-04-04    0
2016-04-05    0
2016-04-06    0
2016-04-07    0
2016-04-08    0
2016-04-09    0
2016-04-10    0
2016-04-11    0
2016-04-12    0
2016-04-13    0
2016-04-14    0
2016-04-15    0
2016-04-16    0
2016-04-17    0
2016-04-18    0
2016-04-19    0
2016-04-20    0
2016-04-21    0
2016-04-22    0
2016-04-23    0
2016-04-24    0
2016-04-25    0
2016-04-26    0
2016-04-27    0
2016-04-28    0
2016-04-29    0
2016-04-30    0
2016-05-01    0
2016-05-02    0
2016-05-03    0
2016-05-04    0
2016-05-05    0
2016-05-06    0
2016-05-07    0
2016-05-08    0
2016-05-09    0
2016-05-10    0
2016-05-11    0
2016-05-12    0
2016-05-13    0
2016-05-14    0
2016-05-15    0
2016-05-16    0
2016-05-17    0
2016-05-18    0
2016-05-19    0
2016-05-20    0
2016-05-21    0
2016-05-22    0
2016-05-23    0
2016-05-24    0
2016-05-25    0
2016-05-26    0
2016-05-27    0
2016-05-28    0
2016-05-29    0
2016-05-30    0
2016-05-31    0
2016-06-01    0
2016-06-02    0
2016-06-03    0
2016-06-04    0
2016-06-05    0
2016-06-06    0
2016-06-07    0
2016-06-08    0
2016-06-09    0
2016-06-10    0
2016-06-11    0
2016-06-12    0
2016-06-13    0
2016-06-14    0
2016-06-15    0
2016-06-16    0
2016-06-17    0
2016-06-18    0
2016-06-19    0
2016-06-20    0
2016-06-21    0
2016-06-22    0
2016-06-23    0
2016-06-24    0
2016-06-25    0
2016-06-26    0
2016-06-27    0
2016-06-28    0
2016-06-29    0
2016-06-30    0
2016-07-01    0
2016-07-02    0
2016-07-03    0
2016-07-04    0
2016-07-05    0
2016-07-06    0
2016-07-07    0
2016-07-08    0
2016-07-09    0
2016-07-10    0
2016-07-11    0
2016-07-12    0
2016-07-13    0
2016-07-14    0
2016-07-15    0
2016-07-16    0
2016-07-17    0
2016-07-18    0
2016-07-19    0
2016-07-20    0
2016-07-21    0
2016-07-22    0
2016-07-23    0
2016-07-24    0
2016-07-25    0
2016-07-26    0
2016-07-27    0
2016-07-28    0
2016-07-29    0
2016-07-30    0
2016-07-31    0
2016-08-01    0
2016-08-02    0
2016-08-03    0
2016-08-04    0
2016-08-05    0
2016-08-06    0
2016-08-07    0
2016-08-08    0
2016-08-09    0
2016-08-10    0
2016-08-11    0
2016-08-12    0
2016-08-13    0
2016-08-14    0
2016-08-15    0
2016-08-16    0
2016-08-17    0
2016-08-18    0
2016-08-19    0
2016-08-20    0
2016-08-21    0
2016-08-22    0
2016-08-23    0
2016-08-24    0
2016-08-25    0
2016-08-26    0
2016-08-27    0
2016-08-28    0
2016-08-29    0
2016-08-30    0
2016-08-31    0
2016-09-01    0
2016-09-02    0
2016-09-03    0
2016-09-04    0
2016-09-05    0
2016-09-06    0
2016-09-07    0
2016-09-08    0
2016-09-09    0
2016-09-10    0
2016-09-11    0
2016-09-12    0
2016-09-13    0
2016-09-14    0
2016-09-15    0
2016-09-16    0
2016-09-17    0
2016-09-18    0
2016-09-19    0
2016-09-20    0
2016-09-21    0
2016-09-22    0
2016-09-23    0
2016-09-24    0
2016-09-25    0
2016-09-26    0
2016-09-27    0
2016-09-28    0
2016-09-29    0
2016-09-30    0
2016-10-01    0
2016-10-02    0
2016-10-03    0
2016-10-04    0
2016-10-05    0
2016-10-06    0
2016-10-07    0
2016-10-08    0
2016-10-09    0
2016-10-10    0
2016-10-11    0
2016-10-12    0
2016-10-13    0
2016-10-14    0
2016-10-15    0
2016-10-16    0
2016-10-17    0
2016-10-18    0
2016-10-19    0
2016-10-20    0
2016-10-21    0
2016-10-22    0
2016-10-23    0
2016-10-24    0
2016-10-25    0
2016-10-26    0
2016-10-27    0
2016-10-28    0
2016-10-29    0
2016-10-30    0
2016-10-31    0
2016-11-01    0
2016-11-02    0
2016-11-03    0
2016-11-04    0
2016-11-05    0
2016-11-06    0
2016-11-07    0
2016-11-08    0
2016-11-09    0
2016-11-10    0
2016-11-11    0
2016-11-12    0
2016-11-13    0
2016-11-14    0
2016-11-15    0
2016-11-16    0
2016-11-17    0
2016-11-18    0
2016-11-19    0
2016-11-20    0
2016-11-21    0
2016-11-22    0
2016-11-23    0
2016-11-24    0
2016-11-25    0
2016-11-26    0
2016-11-27    0
2016-11-28    0
2016-11-29    0
2016-11-30    0
2016-12-01    0
2016-12-02    0
2016-12-03    0
2016-12-04    0
2016-12-05    0
2016-12-06    0
2016-12-07    0
2016-12-08    0
2016-12-09    0
2016-12-10    0
2016-12-11    0
2016-12-12    0
2016-12-13    0
2016-12-14    0
2016-12-15    0
2016-12-16    0
2016-12-17    0
2016-12-18    0
2016-12-19    0
2016-12-20    0
2016-12-21    0
2016-12-22    0
2016-12-23    0
2016-12-24    0
2016-12-25    0
2016-12-26    0
2016-12-27    0
2016-12-28    0
2016-12-29    0
2016-12-30    0
2016-12-31    0
dtype: int64


plt.title('Plot of Series after Imputation')
df.iloc[4].plot(label= 'after impute')
plt.legend()
plt.show()


set(exolang)

{'NA', '_de', 'de', 'en', 'es', 'fr', 'ja', 'ru', 'zh'}


df_language = pd.DataFrame(exolang.value_counts().reset_index())


df_language


import matplotlib.pyplot as plt
import seaborn as sns

# Your dataframe
# df_language = ...
plt.figure(figsize=(12,6))
plt.grid()
plt.title('Language Distribution Plot')

# Create the bar plot
ax = sns.barplot(x=df_language['index'], y=df_language['Language'])

# Annotate each bar with its value
for p in ax.patches:
    ax.annotate(f"{p.get_height():.0f}", 
                (p.get_x() + p.get_width() / 2., p.get_height()), 
                ha='center', 
                va='center', 
                xytext=(0, 10), 
                textcoords='offset points')

plt.xlabel('Language')
plt.ylabel('Total')
plt.show()


df['language'] = exolang


df.head()


set(df['language'])

{'NA', '_de', 'de', 'en', 'es', 'fr', 'ja', 'ru', 'zh'}


en_df = df.loc[(df['language']=='en')==True]


mean_val_df =  df.pivot_table(index='language', aggfunc='mean')


mean_val_df.head()


df = mean_val_df.T


df.head()


df.columns.name = None


df.reset_index(inplace=True)


#df.to_csv('AdEase_gen_data.csv',index=False)


df.rename(index={'index':'dates'},inplace=True)


#df.columns.name = 'dates'


df.set_index('index',inplace=True)


df.head()


#df.to_csv('AdEase_gen_data.csv')


df = pd.DataFrame(df)


df.head()


df.columns

Index(['NA', '_de', 'de', 'en', 'es', 'fr', 'ja', 'ru', 'zh'], dtype='object')


list(df.columns)

['NA', '_de', 'de', 'en', 'es', 'fr', 'ja', 'ru', 'zh']


df.index = pd.to_datetime(df.index)


import matplotlib.pyplot as plt
import seaborn as sns

def plot_trend_lines(vals=list(df.columns)):
    """
    This function will plot both Trend Lines and Histograms for different languages.
    """
    for i in vals:
        # Create a new figure with 1 row and 2 columns
        fig, axes = plt.subplots(1, 2, figsize=(25, 10))
        
        # Plot the line plot on the first subplot
        df[i].plot(ax=axes[0], style='-o', label='original')
        axes[0].set_title(f'Avg PageView Trend for {i.upper()}', fontsize=20)
        axes[0].set_xlabel('Dates', fontsize=17)
        axes[0].set_ylabel(f'Avg PageViews {i.upper()}', fontsize=17)
        axes[0].tick_params(axis='both', labelsize=15)
        axes[0].grid(True)
        
        # Plot the histogram on the second subplot
        sns.histplot(df[i], ax=axes[1])
        axes[1].set_title(f'Histplot of {i.upper()} Language', fontsize=20)
        axes[1].set_xlabel(f'Avg PageViews {i.upper()}', fontsize=17)
        axes[1].set_ylabel('Frequency', fontsize=17)
        axes[1].tick_params(axis='both', labelsize=15)
        axes[1].grid(True)
        
        # Adjust layout for better spacing
        plt.tight_layout()
        
        # Show the plot
        plt.show()  
        print('\n')


plot_trend_lines()


model_zh = sm.tsa.seasonal_decompose(df.zh)


model_zh.plot()
plt.show()


def get_insight_plot(vals,window,ln):
    """
    This Function will print Original plot as well as Rolling Window plot
    """
    plt.figure(figsize=(25,10))
    vals.plot(style='-o',label='original')
    vals.rolling(window=window,center=False).mean().plot(style='-o',label='rolling')
    vals.rolling(window=window,center=True).mean().plot(style='-o',label='rolling center True')
    plt.xlabel('Dates',fontsize=17)
    plt.ylabel(f'Original Vs Windowed plot for {ln}',fontsize=17)
    plt.legend()
    plt.xticks(fontsize=15)  # Adjust fontsize as needed
    plt.yticks(fontsize=15)
    plt.grid()
    plt.title(f'Avg PageView Trend for {ln}',fontsize=20)
    plt.show()  
    print('\n')


plt.title('Trend line of ZH Language Pageviews')
model_zh.trend.plot(grid=True,figsize=(20,10))
plt.show()


plt.title('Seasonalty plot of ZH Language Pageviews')
model_zh.seasonal.plot(grid=True,figsize=(20,10))
plt.show()


get_insight_plot(df['zh'],window=7,ln='zh')


model_ru = sm.tsa.seasonal_decompose(df.ru)


model_ru.plot()
plt.show()


plt.title('Trend line of RU Language Pageviews')
model_ru.trend.plot(grid=True,figsize=(20,10))
plt.show()


plt.title('Seasonalty plot of RU Language Pageviews')
model_ru.seasonal.plot(grid=True,figsize=(20,10))
plt.show()


get_insight_plot(df['ru'],window=7,ln='RU')


model_ja = sm.tsa.seasonal_decompose(df.ja)


model_ja.plot()
plt.show()


plt.title('Trend line of JA Language Pageviews')
model_ja.trend.plot(grid=True,figsize=(20,10))
plt.show()


plt.title('Seasonalty plot of JA Language Pageviews')
model_ja.seasonal.plot(grid=True,figsize=(20,10))
plt.show()


get_insight_plot(df['ja'],window=7,ln='JA')


model_fr = sm.tsa.seasonal_decompose(df.fr)


model_fr.plot()
plt.show()


plt.title('Trend line of FR Language Pageviews')
model_fr.trend.plot(grid=True,figsize=(20,10))
plt.show()


plt.title('Seasonalty plot of FR Language Pageviews')
model_fr.seasonal.plot(grid=True,figsize=(20,10))
plt.show()


get_insight_plot(df['fr'],window=7,ln='FR')


model_es = sm.tsa.seasonal_decompose(df.es)


model_es.plot()
plt.show()


plt.title('Trend line of ES Language Pageviews')
model_es.trend.plot(grid=True,figsize=(20,10))
plt.show()


plt.title('Seasonalty plot of ES Language Pageviews')
model_es.seasonal.plot(grid=True,figsize=(20,10))
plt.show()


get_insight_plot(df['es'],window=4,ln='es')


model_en = sm.tsa.seasonal_decompose(df.en)


model_en.plot()
plt.show()


plt.title('Trend line of EN Language Pageviews')
model_en.trend.plot(grid=True,figsize=(20,10))
plt.show()


plt.title('Seasonalty plot of EN Language Pageviews')
model_en.seasonal.plot(grid=True,figsize=(20,10))
plt.show()


get_insight_plot(df['en'],window=7,ln='en')


model_de = sm.tsa.seasonal_decompose(df.de)


model_de.plot()
plt.show()


plt.title('Trend line of DE Language Pageviews')
model_de.trend.plot(grid=True,figsize=(20,10))
plt.show()


plt.title('Seasonalty plot of DE Language Pageviews')
model_de.seasonal.plot(grid=True,figsize=(20,10))
plt.show()


get_insight_plot(df['de'],window=7,ln='de')


model__de = sm.tsa.seasonal_decompose(df._de)


model__de.plot()
plt.show()


plt.title('Trend line of _DE Language Pageviews')
model__de.trend.plot(grid=True,figsize=(20,10))
plt.show()


plt.title('Seasonalty plot of _DE Language Pageviews')
model__de.seasonal.plot(grid=True,figsize=(20,10))
plt.show()


get_insight_plot(df['_de'],window=7,ln='_de')


model_na = sm.tsa.seasonal_decompose(df.NA)


model_na.plot()
plt.show()


plt.title('Trend line of NA Language Pageviews')
model_na.trend.plot(grid=True,figsize=(20,10))
plt.show()


plt.title('Seasonalty plot of NA Language Pageviews')
model_na.seasonal.plot(grid=True,figsize=(20,10))
plt.show()


get_insight_plot(df['NA'],window=7,ln='NA')


# H0 : TS is non stationary 
# H1 : TS is stationary

def adf_test(data,sig_val=0.05):
    p_value = sm.tsa.stattools.adfuller(data)[1]
    #print(f'p-value : {p_value}')
    if(p_value <= sig_val):
        return('TS is stationary',p_value)
    else:
        return('TS is non stationary',p_value)


zh_res,_ = adf_test(df['zh'])
print(f'Stationary Status for ZH Language: {zh_res}')

ru_res,_ = adf_test(df['ru'])
print(f'Stationary Status for RU Language: {ru_res}')

ja_res,_ = adf_test(df['ja'])
print(f'Stationary Status for JA Language: {ja_res}')

fr_res,_ = adf_test(df['fr'])
print(f'Stationary Status for FR Language: {fr_res}')

es_res,_ = adf_test(df['es'])
print(f'Stationary Status for ES Language: {es_res}')

en_res,_ = adf_test(df['en'])
print(f'Stationary Status for EN Language: {en_res}')

de_res,_ = adf_test(df['de'])
print(f'Stationary Status for DE Language: {de_res}')

_de_res,_ = adf_test(df['_de'])
print(f'Stationary Status for _DE Language: {_de_res}')

NA_res,_ = adf_test(df['NA'])
print(f'Stationary Status for NA Language: {NA_res}')

Stationary Status for ZH Language: TS is non stationary
Stationary Status for RU Language: TS is stationary
Stationary Status for JA Language: TS is non stationary
Stationary Status for FR Language: TS is stationary
Stationary Status for ES Language: TS is stationary
Stationary Status for EN Language: TS is non stationary
Stationary Status for DE Language: TS is non stationary
Stationary Status for _DE Language: TS is non stationary
Stationary Status for NA Language: TS is stationary


def plot_acfs(val,title):
    """
    This function will Autocorrelation plot for provided language code.
    """
    plot_acf(val,title=f'Autocorrelation of {title} Language')
    plt.show()


def get_detrended_deseasonal_data(val,title,m_val=None):
    detrended_val = val.diff()
    detrended_val.plot(title=f'Detrended Plot of {title} language')
    print(f'ADF Test after Detrending {title} language:{adf_test(detrended_val.dropna())}')
    plot_acfs(detrended_val.dropna(),title)
    return detrended_val
#     de_seasoned = detrended_val.diff(m_val).dropna()
#     plot_acfs(de_seasoned.dropna(),title=f'detrened & Deseasoned {title} language')
#     print(f'ADF Test after Deseasoned {title} Language:{adf_test(de_seasoned.dropna())}')
#     return de_seasoned


deTrended_ZH_lang = get_detrended_deseasonal_data(df['zh'],'ZH')

ADF Test after Detrending ZH language:('TS is stationary', 1.0822615719686195e-11)


# ZH -> Peak at 7 ,14,21
# p -> 8 q-> 5


deTrended_JA_lang = get_detrended_deseasonal_data(df['ja'],'JA')

ADF Test after Detrending JA language:('TS is stationary', 5.950183790262341e-20)


# JA -> Peak at 7 ,14,21
# P -> 6 Q -> 5


deTrended_EN_lang = get_detrended_deseasonal_data(df['en'],'EN')

ADF Test after Detrending EN language:('TS is stationary', 5.292042536116286e-13)


# EN -> Peak at 7 ,14,21
# P -> 6 Q -> 5


deTrended_DE_lang = get_detrended_deseasonal_data(df['de'],'DE')

ADF Test after Detrending DE language:('TS is stationary', 2.0718405278634737e-10)


# DE -> Peak at 7 ,14,21
# P -> 10 Q -> 5


deTrended__DE_lang = get_detrended_deseasonal_data(df['_de'],'_DE')

ADF Test after Detrending _DE language:('TS is stationary', 1.5961380159824795e-20)


# _DE -> Peak at 7 ,14,21
# P -> 6 Q -> 2


deTrended_NA_lang = get_detrended_deseasonal_data(df['NA'],'NA')

ADF Test after Detrending NA language:('TS is stationary', 6.074796247844382e-19)


# NA -> Peak at 7 ,14,21
# P -> 5 Q -> 2


df.head()


df.shape

(550, 9)


zh_df = pd.DataFrame(df['zh'])
zh_train_x = zh_df.loc[zh_df.index < zh_df.index[-200]].copy()
zh_test_x = zh_df.loc[zh_df.index >= zh_df.index[-200]].copy()


zh_test_x.shape

(200, 1)


zh_train_x.head()


def performance(actual, predicted):
    mape_value = mape(actual, predicted)
    print(f'MAPE :{round(mape_value,3)}')


model = SARIMAX(zh_train_x['zh'],order=[8,1,8])
model = model.fit()
zh_test_x['pred'] = model.forecast(200)
zh_test_x.plot(style='-o',title='ZH Language Model Predictions',figsize=(10,4))
performance(zh_test_x['zh'],zh_test_x['pred'])

C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\base\model.py:607: ConvergenceWarning: Maximum Likelihood optimization failed to converge. Check mle_retvals
  warnings.warn("Maximum Likelihood optimization failed to "

MAPE :0.048


ja_df = pd.DataFrame(df['ja'])
ja_train_x = ja_df.loc[ja_df.index < ja_df.index[-200]].copy()
ja_test_x = ja_df.loc[ja_df.index >= ja_df.index[-200]].copy()


ja_train_x.shape,ja_test_x.shape

((350, 1), (200, 1))


model = SARIMAX(ja_train_x,order=(8,1,8))
model = model.fit()
ja_test_x['pred'] = model.forecast(200)
ja_test_x.plot(style='-o',title='JA Language Model Predictions',figsize=(10,4))
performance(ja_test_x['ja'],ja_test_x['pred'])

C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\base\model.py:607: ConvergenceWarning: Maximum Likelihood optimization failed to converge. Check mle_retvals
  warnings.warn("Maximum Likelihood optimization failed to "

MAPE :0.079


en_df = pd.DataFrame(df['en'])
en_train_x = en_df.loc[en_df.index < en_df.index[-200]].copy()
en_test_x = en_df.loc[en_df.index >= en_df.index[-200]].copy()


model = SARIMAX(en_train_x,order=(3,1,3))
model = model.fit()
en_test_x['pred'] = model.forecast(200)
en_test_x.plot(style='-o',title='EN Language Model Predictions',figsize=(10,4))
performance(en_test_x['en'],en_test_x['pred'])

C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\base\model.py:607: ConvergenceWarning: Maximum Likelihood optimization failed to converge. Check mle_retvals
  warnings.warn("Maximum Likelihood optimization failed to "

MAPE :0.133


de_df = pd.DataFrame(df['de'])
de_train_x = de_df.loc[de_df.index < de_df.index[-200]].copy()
de_test_x = de_df.loc[de_df.index >= de_df.index[-200]].copy()


model = SARIMAX(de_train_x,order=(4,1,4))
model = model.fit()
de_test_x['pred'] = model.forecast(200)
de_test_x.plot(style='-o',title='DE Language Model Predictions',figsize=(10,4))
performance(de_test_x['de'],de_test_x['pred'])

C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\base\model.py:607: ConvergenceWarning: Maximum Likelihood optimization failed to converge. Check mle_retvals
  warnings.warn("Maximum Likelihood optimization failed to "

MAPE :0.145


_de_df = pd.DataFrame(deTrended__DE_lang)
_de_train_x = _de_df.loc[_de_df.index < _de_df.index[-200]].copy()
_de_test_x  = _de_df.loc[_de_df.index >= _de_df.index[-200]].copy()


model = SARIMAX(_de_train_x,order=(8,1,8))
model = model.fit()
_de_test_x['pred'] = model.forecast(200)
_de_test_x.plot(style='-o',title='_DE Language Model Predictions',figsize=(10,4))
performance(_de_test_x['_de'],_de_test_x['pred'])

C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\statespace\sarimax.py:978: UserWarning: Non-invertible starting MA parameters found. Using zeros as starting parameters.
  warn('Non-invertible starting MA parameters found.'
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\base\model.py:607: ConvergenceWarning: Maximum Likelihood optimization failed to converge. Check mle_retvals
  warnings.warn("Maximum Likelihood optimization failed to "
C:\Users\gaura\anaconda3\Lib\site-packages\pandas\plotting\_matplotlib\core.py:807: UserWarning: The label '_de' of <matplotlib.lines.Line2D object at 0x00000295B91B9690> starts with '_'. It is thus excluded from the legend.
  ax.legend(handles, labels, loc="best", title=title)

MAPE :5787166219623565.0


ru_df = pd.DataFrame(df['ru'])
ru_train_x = ru_df.loc[ru_df.index < ru_df.index[-200]].copy()
ru_test_x  = ru_df.loc[ru_df.index >= ru_df.index[-200]].copy()


model = SARIMAX(ru_train_x,order=(7,1,7))
model = model.fit()
ru_test_x['pred'] = model.forecast(200)
ru_test_x.plot(style='-o',title='RU Language Model Predictions',figsize=(10,4))
performance(ru_test_x['ru'],ru_test_x['pred'])

C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\statespace\sarimax.py:966: UserWarning: Non-stationary starting autoregressive parameters found. Using zeros as starting parameters.
  warn('Non-stationary starting autoregressive parameters'
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\statespace\sarimax.py:978: UserWarning: Non-invertible starting MA parameters found. Using zeros as starting parameters.
  warn('Non-invertible starting MA parameters found.'
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\base\model.py:607: ConvergenceWarning: Maximum Likelihood optimization failed to converge. Check mle_retvals
  warnings.warn("Maximum Likelihood optimization failed to "

MAPE :0.174


NA_df = pd.DataFrame(df['NA'])
NA_train_x = NA_df.loc[NA_df.index < NA_df.index[-200]].copy()
NA_test_x  = NA_df.loc[NA_df.index >= NA_df.index[-200]].copy()


model = SARIMAX(NA_train_x,order=(7,1,7))
model = model.fit()
NA_test_x['pred'] = model.forecast(200)
NA_test_x.plot(style='-o',title='NA Language Model Predictions',figsize=(10,4))
performance(NA_test_x['NA'],NA_test_x['pred'])

C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\statespace\sarimax.py:966: UserWarning: Non-stationary starting autoregressive parameters found. Using zeros as starting parameters.
  warn('Non-stationary starting autoregressive parameters'
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\statespace\sarimax.py:978: UserWarning: Non-invertible starting MA parameters found. Using zeros as starting parameters.
  warn('Non-invertible starting MA parameters found.'
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\base\model.py:607: ConvergenceWarning: Maximum Likelihood optimization failed to converge. Check mle_retvals
  warnings.warn("Maximum Likelihood optimization failed to "

MAPE :0.238


# Model for ZH Language Code


model = SARIMAX(zh_train_x['zh'],order=(2,1,1),seasonal_order=(2,0,1,7)) # (p,d,q) (P,D,Q,s)
model = model.fit()
zh_test_x['pred'] = model.forecast(200)
zh_test_x.plot(style='-o',title='ZH Language Model Predictions',figsize=(12,4))
performance(zh_test_x['zh'],zh_test_x['pred'])

C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\statespace\sarimax.py:978: UserWarning: Non-invertible starting MA parameters found. Using zeros as starting parameters.
  warn('Non-invertible starting MA parameters found.'

MAPE :0.05


# Model for JA Language Code


model = SARIMAX(ja_train_x['ja'],order=(2,0,0),seasonal_order=(7,1,1,7)) # (p,d,q) (P,D,Q,s)
model = model.fit()
ja_test_x['pred'] = model.forecast(200)
ja_test_x.plot(style='-o',title='JA Language Model Predictions',figsize=(12,4))
performance(ja_test_x['ja'],ja_test_x['pred'])

C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)

MAPE :0.079


# Model for EN Language Code


model = SARIMAX(en_train_x['en'],order=(2,0,3),seasonal_order=(7,2,1,7)) # (p,d,q) (P,D,Q,s)
model = model.fit()
en_test_x['pred'] = model.forecast(200)
en_test_x.plot(style='-o',title='EN Language Model Predictions',figsize=(12,4))
performance(en_test_x['en'],en_test_x['pred'])

C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\statespace\sarimax.py:966: UserWarning: Non-stationary starting autoregressive parameters found. Using zeros as starting parameters.
  warn('Non-stationary starting autoregressive parameters'
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\statespace\sarimax.py:978: UserWarning: Non-invertible starting MA parameters found. Using zeros as starting parameters.
  warn('Non-invertible starting MA parameters found.'
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\base\model.py:607: ConvergenceWarning: Maximum Likelihood optimization failed to converge. Check mle_retvals
  warnings.warn("Maximum Likelihood optimization failed to "

MAPE :0.112


# Model for DE Language Code


model = SARIMAX(de_train_x['de'],order=(3,0,0),seasonal_order=(7,1,1,7)) # (p,d,q) (P,D,Q,s)
model = model.fit()
de_test_x['pred'] = model.forecast(200)
de_test_x.plot(style='-o',title='DE Language Model Predictions',figsize=(12,4))
performance(de_test_x['de'],de_test_x['pred'])

C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)

MAPE :0.087


# Model for _DE Language Code


model = SARIMAX(_de_train_x['_de'],order=(3,0,0),seasonal_order=(7,1,1,7)) # (p,d,q) (P,D,Q,s)
model = model.fit()
_de_test_x['pred'] = model.forecast(200)
_de_test_x.plot(style='-o',title='_DE Language Model Predictions',figsize=(12,4))
performance(_de_test_x['_de'],_de_test_x['pred'])

C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\pandas\plotting\_matplotlib\core.py:807: UserWarning: The label '_de' of <matplotlib.lines.Line2D object at 0x00000295E7C87550> starts with '_'. It is thus excluded from the legend.
  ax.legend(handles, labels, loc="best", title=title)

MAPE :7218950574980631.0


# Model RU Language Code


model = SARIMAX(ru_train_x['ru'],order=(2,0,1),seasonal_order=(7,1,1,7)) # (p,d,q) (P,D,Q,s)
model = model.fit()
ru_test_x['pred'] = model.forecast(200)
ru_test_x.plot(style='-o',title='RU Language Model Predictions',figsize=(12,4))
performance(ru_test_x['ru'],ru_test_x['pred'])

C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\statespace\sarimax.py:966: UserWarning: Non-stationary starting autoregressive parameters found. Using zeros as starting parameters.
  warn('Non-stationary starting autoregressive parameters'
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\statespace\sarimax.py:978: UserWarning: Non-invertible starting MA parameters found. Using zeros as starting parameters.
  warn('Non-invertible starting MA parameters found.'
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\base\model.py:607: ConvergenceWarning: Maximum Likelihood optimization failed to converge. Check mle_retvals
  warnings.warn("Maximum Likelihood optimization failed to "

MAPE :0.172


# Model NA Language Code


model = SARIMAX(NA_train_x['NA'],order=(2,0,0),seasonal_order=(7,1,3,7)) # (p,d,q) (P,D,Q,s)
model = model.fit()
NA_test_x['pred'] = model.forecast(200)
NA_test_x.plot(style='-o',title='NA Language Model Predictions',figsize=(12,4))
performance(NA_test_x['NA'],NA_test_x['pred'])

C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\tsa\base\tsa_model.py:473: ValueWarning: No frequency information was provided, so inferred frequency D will be used.
  self._init_dates(dates, freq)
C:\Users\gaura\anaconda3\Lib\site-packages\statsmodels\base\model.py:607: ConvergenceWarning: Maximum Likelihood optimization failed to converge. Check mle_retvals
  warnings.warn("Maximum Likelihood optimization failed to "

MAPE :0.214

	Page	2015-07-01	2015-07-02	2015-07-03	2015-07-04	2015-07-05	2015-07-06	2015-07-07	2015-07-08	2015-07-09	2015-07-10	2015-07-11	2015-07-12	2015-07-13	2015-07-14	2015-07-15	2015-07-16	2015-07-17	2015-07-18	2015-07-19	2015-07-20	2015-07-21	2015-07-22	2015-07-23	2015-07-24	2015-07-25	2015-07-26	2015-07-27	2015-07-28	2015-07-29	2015-07-30	2015-07-31	2015-08-01	2015-08-02	2015-08-03	2015-08-04	2015-08-05	2015-08-06	2015-08-07	2015-08-08	2015-08-09	2015-08-10	2015-08-11	2015-08-12	2015-08-13	2015-08-14	2015-08-15	2015-08-16	2015-08-17	2015-08-18	2015-08-19	2015-08-20	2015-08-21	2015-08-22	2015-08-23	2015-08-24	2015-08-25	2015-08-26	2015-08-27	2015-08-28	2015-08-29	2015-08-30	2015-08-31	2015-09-01	2015-09-02	2015-09-03	2015-09-04	2015-09-05	2015-09-06	2015-09-07	2015-09-08	2015-09-09	2015-09-10	2015-09-11	2015-09-12	2015-09-13	2015-09-14	2015-09-15	2015-09-16	2015-09-17	2015-09-18	2015-09-19	2015-09-20	2015-09-21	2015-09-22	2015-09-23	2015-09-24	2015-09-25	2015-09-26	2015-09-27	2015-09-28	2015-09-29	2015-09-30	2015-10-01	2015-10-02	2015-10-03	2015-10-04	2015-10-05	2015-10-06	2015-10-07	2015-10-08	2015-10-09	2015-10-10	2015-10-11	2015-10-12	2015-10-13	2015-10-14	2015-10-15	2015-10-16	2015-10-17	2015-10-18	2015-10-19	2015-10-20	2015-10-21	2015-10-22	2015-10-23	2015-10-24	2015-10-25	2015-10-26	2015-10-27	2015-10-28	2015-10-29	2015-10-30	2015-10-31	2015-11-01	2015-11-02	2015-11-03	2015-11-04	2015-11-05	2015-11-06	2015-11-07	2015-11-08	2015-11-09	2015-11-10	2015-11-11	2015-11-12	2015-11-13	2015-11-14	2015-11-15	2015-11-16	2015-11-17	2015-11-18	2015-11-19	2015-11-20	2015-11-21	2015-11-22	2015-11-23	2015-11-24	2015-11-25	2015-11-26	2015-11-27	2015-11-28	2015-11-29	2015-11-30	2015-12-01	2015-12-02	2015-12-03	2015-12-04	2015-12-05	2015-12-06	2015-12-07	2015-12-08	2015-12-09	2015-12-10	2015-12-11	2015-12-12	2015-12-13	2015-12-14	2015-12-15	2015-12-16	2015-12-17	2015-12-18	2015-12-19	2015-12-20	2015-12-21	2015-12-22	2015-12-23	2015-12-24	2015-12-25	2015-12-26	2015-12-27	2015-12-28	2015-12-29	2015-12-30	2015-12-31	2016-01-01	2016-01-02	2016-01-03	2016-01-04	2016-01-05	2016-01-06	2016-01-07	2016-01-08	2016-01-09	2016-01-10	2016-01-11	2016-01-12	2016-01-13	2016-01-14	2016-01-15	2016-01-16	2016-01-17	2016-01-18	2016-01-19	2016-01-20	2016-01-21	2016-01-22	2016-01-23	2016-01-24	2016-01-25	2016-01-26	2016-01-27	2016-01-28	2016-01-29	2016-01-30	2016-01-31	2016-02-01	2016-02-02	2016-02-03	2016-02-04	2016-02-05	2016-02-06	2016-02-07	2016-02-08	2016-02-09	2016-02-10	2016-02-11	2016-02-12	2016-02-13	2016-02-14	2016-02-15	2016-02-16	2016-02-17	2016-02-18	2016-02-19	2016-02-20	2016-02-21	2016-02-22	2016-02-23	2016-02-24	2016-02-25	2016-02-26	2016-02-27	2016-02-28	2016-02-29	2016-03-01	2016-03-02	2016-03-03	2016-03-04	2016-03-05	2016-03-06	2016-03-07	2016-03-08	2016-03-09	2016-03-10	2016-03-11	2016-03-12	2016-03-13	2016-03-14	2016-03-15	2016-03-16	2016-03-17	2016-03-18	2016-03-19	2016-03-20	2016-03-21	2016-03-22	2016-03-23	2016-03-24	2016-03-25	2016-03-26	2016-03-27	2016-03-28	2016-03-29	2016-03-30	2016-03-31	2016-04-01	2016-04-02	2016-04-03	2016-04-04	2016-04-05	2016-04-06	2016-04-07	2016-04-08	2016-04-09	2016-04-10	2016-04-11	2016-04-12	2016-04-13	2016-04-14	2016-04-15	2016-04-16	2016-04-17	2016-04-18	2016-04-19	2016-04-20	2016-04-21	2016-04-22	2016-04-23	2016-04-24	2016-04-25	2016-04-26	2016-04-27	2016-04-28	2016-04-29	2016-04-30	2016-05-01	2016-05-02	2016-05-03	2016-05-04	2016-05-05	2016-05-06	2016-05-07	2016-05-08	2016-05-09	2016-05-10	2016-05-11	2016-05-12	2016-05-13	2016-05-14	2016-05-15	2016-05-16	2016-05-17	2016-05-18	2016-05-19	2016-05-20	2016-05-21	2016-05-22	2016-05-23	2016-05-24	2016-05-25	2016-05-26	2016-05-27	2016-05-28	2016-05-29	2016-05-30	2016-05-31	2016-06-01	2016-06-02	2016-06-03	2016-06-04	2016-06-05	2016-06-06	2016-06-07	2016-06-08	2016-06-09	2016-06-10	2016-06-11	2016-06-12	2016-06-13	2016-06-14	2016-06-15	2016-06-16	2016-06-17	2016-06-18	2016-06-19	2016-06-20	2016-06-21	2016-06-22	2016-06-23	2016-06-24	2016-06-25	2016-06-26	2016-06-27	2016-06-28	2016-06-29	2016-06-30	2016-07-01	2016-07-02	2016-07-03	2016-07-04	2016-07-05	2016-07-06	2016-07-07	2016-07-08	2016-07-09	2016-07-10	2016-07-11	2016-07-12	2016-07-13	2016-07-14	2016-07-15	2016-07-16	2016-07-17	2016-07-18	2016-07-19	2016-07-20	2016-07-21	2016-07-22	2016-07-23	2016-07-24	2016-07-25	2016-07-26	2016-07-27	2016-07-28	2016-07-29	2016-07-30	2016-07-31	2016-08-01	2016-08-02	2016-08-03	2016-08-04	2016-08-05	2016-08-06	2016-08-07	2016-08-08	2016-08-09	2016-08-10	2016-08-11	2016-08-12	2016-08-13	2016-08-14	2016-08-15	2016-08-16	2016-08-17	2016-08-18	2016-08-19	2016-08-20	2016-08-21	2016-08-22	2016-08-23	2016-08-24	2016-08-25	2016-08-26	2016-08-27	2016-08-28	2016-08-29	2016-08-30	2016-08-31	2016-09-01	2016-09-02	2016-09-03	2016-09-04	2016-09-05	2016-09-06	2016-09-07	2016-09-08	2016-09-09	2016-09-10	2016-09-11	2016-09-12	2016-09-13	2016-09-14	2016-09-15	2016-09-16	2016-09-17	2016-09-18	2016-09-19	2016-09-20	2016-09-21	2016-09-22	2016-09-23	2016-09-24	2016-09-25	2016-09-26	2016-09-27	2016-09-28	2016-09-29	2016-09-30	2016-10-01	2016-10-02	2016-10-03	2016-10-04	2016-10-05	2016-10-06	2016-10-07	2016-10-08	2016-10-09	2016-10-10	2016-10-11	2016-10-12	2016-10-13	2016-10-14	2016-10-15	2016-10-16	2016-10-17	2016-10-18	2016-10-19	2016-10-20	2016-10-21	2016-10-22	2016-10-23	2016-10-24	2016-10-25	2016-10-26	2016-10-27	2016-10-28	2016-10-29	2016-10-30	2016-10-31	2016-11-01	2016-11-02	2016-11-03	2016-11-04	2016-11-05	2016-11-06	2016-11-07	2016-11-08	2016-11-09	2016-11-10	2016-11-11	2016-11-12	2016-11-13	2016-11-14	2016-11-15	2016-11-16	2016-11-17	2016-11-18	2016-11-19	2016-11-20	2016-11-21	2016-11-22	2016-11-23	2016-11-24	2016-11-25	2016-11-26	2016-11-27	2016-11-28	2016-11-29	2016-11-30	2016-12-01	2016-12-02	2016-12-03	2016-12-04	2016-12-05	2016-12-06	2016-12-07	2016-12-08	2016-12-09	2016-12-10	2016-12-11	2016-12-12	2016-12-13	2016-12-14	2016-12-15	2016-12-16	2016-12-17	2016-12-18	2016-12-19	2016-12-20	2016-12-21	2016-12-22	2016-12-23	2016-12-24	2016-12-25	2016-12-26	2016-12-27	2016-12-28	2016-12-29	2016-12-30	2016-12-31
0	2NE1_zh.wikipedia.org_all-access_spider	18.0	11.0	5.0	13.0	14.0	9.0	9.0	22.0	26.0	24.0	19.0	10.0	14.0	15.0	8.0	16.0	8.0	8.0	16.0	7.0	11.0	10.0	20.0	18.0	15.0	14.0	49.0	10.0	16.0	18.0	8.0	5.0	9.0	7.0	13.0	9.0	7.0	4.0	11.0	10.0	5.0	9.0	9.0	9.0	9.0	13.0	4.0	15.0	25.0	9.0	5.0	6.0	20.0	3.0	14.0	46.0	5.0	5.0	13.0	4.0	9.0	10.0	9.0	11.0	11.0	11.0	9.0	15.0	5.0	10.0	7.0	4.0	8.0	9.0	10.0	6.0	13.0	16.0	6.0	24.0	9.0	11.0	12.0	8.0	14.0	6.0	6.0	11.0	14.0	6.0	10.0	20.0	7.0	15.0	8.0	15.0	5.0	8.0	8.0	5.0	11.0	165.0	34.0	6.0	13.0	8.0	9.0	11.0	26.0	18.0	3.0	5.0	12.0	6.0	16.0	19.0	9.0	10.0	11.0	11.0	7.0	9.0	10.0	24.0	6.0	6.0	8.0	16.0	13.0	10.0	10.0	6.0	5.0	20.0	6.0	47.0	9.0	9.0	12.0	11.0	17.0	15.0	14.0	11.0	97.0	11.0	12.0	11.0	14.0	15.0	12.0	104.0	5.0	22.0	45.0	75.0	29.0	34.0	20.0	12.0	25.0	9.0	62.0	20.0	19.0	8.0	23.0	13.0	16.0	34.0	36.0	11.0	18.0	12.0	24.0	30.0	27.0	44.0	35.0	53.0	11.0	26.0	13.0	18.0	9.0	16.0	6.0	19.0	20.0	19.0	22.0	30.0	14.0	16.0	22.0	15.0	15.0	26.0	16.0	13.0	27.0	18.0	13.0	32.0	31.0	16.0	38.0	18.0	9.0	14.0	10.0	24.0	8.0	15.0	18.0	10.0	23.0	17.0	11.0	26.0	14.0	8.0	12.0	9.0	11.0	34.0	17.0	29.0	11.0	9.0	14.0	21.0	12.0	11.0	13.0	11.0	13.0	16.0	13.0	19.0	21.0	14.0	11.0	35.0	18.0	42.0	15.0	5.0	21.0	56.0	9.0	20.0	17.0	18.0	8.0	9.0	17.0	9.0	10.0	14.0	17.0	6.0	18.0	13.0	11.0	12.0	11.0	8.0	15.0	11.0	20.0	59.0	11.0	18.0	17.0	12.0	14.0	13.0	9.0	490.0	189.0	102.0	38.0	126.0	71.0	21.0	57.0	79.0	17.0	17.0	23.0	16.0	23.0	18.0	22.0	44.0	6.0	31.0	17.0	25.0	40.0	19.0	15.0	15.0	29.0	18.0	16.0	13.0	20.0	22.0	19.0	11.0	50.0	22.0	39.0	23.0	21.0	23.0	22.0	16.0	19.0	35.0	16.0	12.0	15.0	13.0	14.0	10.0	21.0	20.0	19.0	14.0	12.0	15.0	17.0	16.0	21.0	27.0	13.0	11.0	15.0	14.0	18.0	18.0	10.0	11.0	14.0	18.0	14.0	13.0	17.0	15.0	14.0	234.0	8.0	62.0	26.0	22.0	8.0	22.0	15.0	69.0	11.0	18.0	23.0	12.0	20.0	17.0	15.0	16.0	18.0	21.0	15.0	30.0	115.0	56.0	45.0	17.0	18.0	15.0	18.0	14.0	15.0	15.0	24.0	22.0	18.0	30.0	12.0	13.0	18.0	17.0	31.0	26.0	29.0	12.0	19.0	19.0	57.0	17.0	20.0	49.0	10.0	19.0	26.0	41.0	23.0	30.0	55.0	17.0	24.0	14.0	12.0	49.0	42.0	37.0	13.0	30.0	20.0	33.0	20.0	14.0	40.0	15.0	18.0	26.0	8.0	25.0	21.0	20.0	25.0	19.0	23.0	18.0	19.0	18.0	55.0	16.0	65.0	11.0	11.0	13.0	20.0	21.0	13.0	24.0	20.0	13.0	32.0	16.0	10.0	13.0	44.0	17.0	13.0	72.0	40.0	19.0	14.0	13.0	12.0	14.0	10.0	26.0	13.0	22.0	14.0	23.0	12.0	8.0	50.0	13.0	10.0	16.0	14.0	10.0	24.0	10.0	20.0	10.0	26.0	25.0	16.0	19.0	20.0	12.0	19.0	50.0	16.0	30.0	18.0	25.0	14.0	20.0	8.0	67.0	13.0	41.0	10.0	21.0	13.0	8.0	15.0	14.0	12.0	6.0	11.0	10.0	42.0	21.0	24.0	14.0	11.0	204.0	14.0	45.0	33.0	28.0	18.0	14.0	47.0	15.0	14.0	18.0	20.0	14.0	16.0	14.0	20.0	60.0	22.0	15.0	17.0	19.0	18.0	21.0	21.0	47.0	65.0	17.0	32.0	63.0	15.0	26.0	14.0	20.0	22.0	19.0	18.0	20.0
1	2PM_zh.wikipedia.org_all-access_spider	11.0	14.0	15.0	18.0	11.0	13.0	22.0	11.0	10.0	4.0	41.0	65.0	57.0	38.0	20.0	62.0	44.0	15.0	10.0	47.0	24.0	17.0	22.0	9.0	39.0	13.0	11.0	12.0	21.0	19.0	9.0	15.0	33.0	8.0	8.0	7.0	13.0	2.0	23.0	12.0	27.0	27.0	36.0	23.0	58.0	80.0	60.0	69.0	42.0	161.0	94.0	77.0	78.0	20.0	24.0	13.0	14.0	26.0	8.0	82.0	22.0	11.0	81.0	37.0	9.0	40.0	47.0	18.0	23.0	6.0	2.0	7.0	16.0	10.0	34.0	14.0	31.0	20.0	23.0	14.0	16.0	34.0	15.0	30.0	13.0	30.0	15.0	25.0	17.0	8.0	12.0	17.0	10.0	21.0	18.0	30.0	13.0	7.0	15.0	23.0	20.0	15.0	9.0	47.0	14.0	11.0	16.0	12.0	7.0	15.0	14.0	12.0	18.0	29.0	39.0	11.0	14.0	28.0	17.0	20.0	17.0	36.0	13.0	11.0	14.0	14.0	14.0	33.0	14.0	13.0	18.0	13.0	11.0	8.0	10.0	11.0	81.0	14.0	20.0	6.0	16.0	18.0	9.0	12.0	10.0	8.0	11.0	14.0	47.0	13.0	13.0	6.0	10.0	8.0	8.0	8.0	18.0	31.0	16.0	15.0	10.0	13.0	9.0	32.0	161.0	6.0	20.0	8.0	11.0	13.0	8.0	19.0	7.0	9.0	16.0	11.0	6.0	38.0	11.0	17.0	13.0	12.0	12.0	9.0	7.0	15.0	14.0	14.0	11.0	13.0	12.0	12.0	24.0	15.0	38.0	18.0	26.0	15.0	12.0	14.0	40.0	19.0	13.0	39.0	19.0	16.0	19.0	11.0	76.0	14.0	19.0	26.0	19.0	17.0	30.0	17.0	17.0	17.0	19.0	11.0	175.0	10.0	5.0	12.0	7.0	12.0	14.0	19.0	11.0	19.0	17.0	15.0	19.0	15.0	9.0	20.0	6.0	11.0	6.0	15.0	20.0	35.0	34.0	21.0	17.0	22.0	26.0	16.0	16.0	28.0	19.0	17.0	15.0	11.0	7.0	15.0	11.0	36.0	16.0	22.0	18.0	46.0	17.0	15.0	17.0	12.0	17.0	14.0	15.0	14.0	15.0	28.0	36.0	23.0	12.0	25.0	18.0	18.0	16.0	20.0	17.0	16.0	13.0	15.0	19.0	14.0	20.0	37.0	16.0	15.0	11.0	42.0	10.0	14.0	61.0	39.0	17.0	17.0	41.0	35.0	16.0	9.0	64.0	22.0	22.0	66.0	33.0	30.0	16.0	18.0	45.0	17.0	88.0	23.0	18.0	12.0	12.0	13.0	13.0	5.0	11.0	13.0	11.0	22.0	10.0	13.0	17.0	10.0	14.0	18.0	9.0	16.0	17.0	6.0	15.0	18.0	10.0	11.0	16.0	10.0	12.0	12.0	13.0	9.0	16.0	19.0	19.0	11.0	15.0	10.0	20.0	25.0	9.0	14.0	10.0	14.0	18.0	25.0	13.0	24.0	14.0	13.0	14.0	24.0	16.0	15.0	13.0	11.0	12.0	28.0	28.0	17.0	27.0	48.0	184.0	64.0	24.0	92.0	31.0	34.0	49.0	21.0	36.0	32.0	16.0	16.0	19.0	22.0	22.0	19.0	18.0	18.0	17.0	35.0	49.0	19.0	25.0	24.0	39.0	19.0	29.0	30.0	16.0	54.0	15.0	39.0	19.0	17.0	60.0	12.0	77.0	63.0	12.0	9.0	34.0	30.0	13.0	20.0	29.0	10.0	14.0	23.0	15.0	12.0	25.0	22.0	144.0	31.0	31.0	17.0	66.0	78.0	19.0	44.0	43.0	35.0	13.0	13.0	25.0	15.0	37.0	38.0	22.0	28.0	19.0	46.0	24.0	22.0	43.0	58.0	26.0	20.0	27.0	35.0	20.0	31.0	24.0	24.0	94.0	18.0	20.0	18.0	16.0	38.0	54.0	29.0	49.0	25.0	72.0	144.0	36.0	97.0	179.0	29.0	12.0	21.0	42.0	53.0	41.0	19.0	25.0	19.0	15.0	21.0	21.0	27.0	33.0	15.0	24.0	13.0	11.0	14.0	26.0	11.0	21.0	14.0	14.0	54.0	5.0	10.0	12.0	11.0	14.0	28.0	23.0	20.0	9.0	12.0	11.0	14.0	14.0	15.0	15.0	11.0	20.0	13.0	19.0	621.0	57.0	17.0	23.0	19.0	21.0	47.0	28.0	22.0	22.0	65.0	27.0	17.0	17.0	13.0	9.0	18.0	22.0	17.0	15.0	22.0	23.0	19.0	17.0	42.0	28.0	15.0	9.0	30.0	52.0	45.0	26.0	20.0
2	3C_zh.wikipedia.org_all-access_spider	1.0	0.0	1.0	1.0	0.0	4.0	0.0	3.0	4.0	4.0	1.0	1.0	1.0	6.0	8.0	6.0	4.0	5.0	1.0	2.0	3.0	8.0	8.0	6.0	6.0	2.0	2.0	3.0	2.0	4.0	3.0	3.0	5.0	3.0	5.0	4.0	2.0	5.0	1.0	4.0	5.0	0.0	0.0	7.0	3.0	5.0	1.0	6.0	2.0	5.0	0.0	3.0	1.0	0.0	1.0	1.0	2.0	4.0	2.0	1.0	1.0	3.0	4.0	3.0	6.0	6.0	4.0	3.0	3.0	2.0	9.0	7.0	2.0	3.0	1.0	3.0	1.0	6.0	7.0	1.0	2.0	5.0	2.0	3.0	8.0	5.0	0.0	4.0	1.0	5.0	3.0	0.0	1.0	8.0	2.0	1.0	3.0	0.0	0.0	5.0	3.0	3.0	0.0	2.0	5.0	2.0	5.0	10.0	5.0	6.0	1.0	4.0	4.0	1.0	3.0	13.0	2.0	1.0	3.0	2.0	1.0	10.0	5.0	6.0	2.0	5.0	2.0	2.0	3.0	2.0	6.0	3.0	2.0	1.0	2.0	3.0	1.0	1.0	2.0	2.0	3.0	2.0	2.0	5.0	7.0	2.0	3.0	4.0	6.0	1.0	3.0	6.0	3.0	3.0	4.0	2.0	2.0	4.0	3.0	1.0	5.0	5.0	4.0	2.0	4.0	5.0	4.0	2.0	1.0	6.0	1.0	1.0	3.0	1.0	3.0	5.0	3.0	3.0	0.0	5.0	3.0	2.0	2.0	2.0	2.0	0.0	3.0	3.0	3.0	4.0	4.0	8.0	3.0	5.0	8.0	1.0	4.0	0.0	3.0	6.0	3.0	1.0	3.0	3.0	3.0	1.0	3.0	8.0	4.0	3.0	2.0	5.0	6.0	3.0	6.0	5.0	6.0	7.0	3.0	1.0	5.0	1.0	2.0	0.0	1.0	4.0	3.0	3.0	9.0	4.0	7.0	5.0	10.0	2.0	3.0	3.0	4.0	2.0	3.0	5.0	3.0	6.0	4.0	5.0	5.0	2.0	1.0	4.0	7.0	2.0	2.0	5.0	1.0	0.0	3.0	3.0	1.0	2.0	4.0	2.0	2.0	3.0	4.0	7.0	1.0	1.0	10.0	9.0	5.0	1.0	6.0	7.0	4.0	6.0	2.0	4.0	155.0	155.0	83.0	48.0	31.0	16.0	6.0	13.0	8.0	8.0	5.0	7.0	3.0	4.0	6.0	7.0	10.0	9.0	7.0	8.0	4.0	6.0	5.0	2.0	7.0	3.0	7.0	6.0	3.0	1.0	6.0	2.0	1.0	3.0	8.0	3.0	5.0	4.0	7.0	5.0	2.0	5.0	0.0	3.0	12.0	4.0	2.0	4.0	6.0	4.0	5.0	9.0	4.0	5.0	7.0	1.0	5.0	1.0	5.0	4.0	5.0	7.0	7.0	5.0	3.0	4.0	1.0	9.0	3.0	4.0	6.0	2.0	2.0	1.0	16.0	6.0	3.0	3.0	6.0	1.0	6.0	1.0	4.0	3.0	5.0	1.0	6.0	5.0	1.0	4.0	5.0	4.0	2.0	4.0	3.0	4.0	2.0	0.0	1.0	3.0	12.0	4.0	7.0	5.0	6.0	6.0	6.0	3.0	3.0	3.0	5.0	5.0	2.0	11.0	6.0	2.0	2.0	3.0	7.0	5.0	4.0	5.0	3.0	3.0	9.0	7.0	2.0	1.0	5.0	6.0	7.0	13.0	3.0	5.0	6.0	2.0	4.0	1.0	2.0	7.0	2.0	2.0	4.0	4.0	2.0	5.0	3.0	2.0	3.0	5.0	4.0	2.0	5.0	7.0	5.0	2.0	7.0	6.0	11.0	10.0	5.0	19.0	7.0	11.0	4.0	10.0	3.0	4.0	6.0	3.0	4.0	8.0	10.0	3.0	3.0	1.0	10.0	5.0	4.0	4.0	3.0	4.0	1.0	3.0	6.0	6.0	6.0	3.0	5.0	11.0	6.0	3.0	7.0	6.0	0.0	2.0	4.0	4.0	3.0	6.0	4.0	3.0	4.0	1.0	6.0	5.0	5.0	2.0	3.0	3.0	2.0	2.0	6.0	1.0	3.0	3.0	3.0	2.0	10.0	2.0	2.0	2.0	7.0	3.0	6.0	4.0	2.0	4.0	6.0	5.0	4.0	4.0	3.0	3.0	9.0	3.0	5.0	4.0	0.0	1.0	4.0	5.0	8.0	8.0	1.0	1.0	2.0	5.0	3.0	3.0	3.0	7.0	3.0	9.0	8.0	3.0	210.0	5.0	4.0	6.0	2.0	2.0	4.0	3.0	3.0	1.0	1.0	7.0	4.0	4.0	6.0	3.0	4.0	17.0
3	4minute_zh.wikipedia.org_all-access_spider	35.0	13.0	10.0	94.0	4.0	26.0	14.0	9.0	11.0	16.0	16.0	11.0	23.0	145.0	14.0	17.0	85.0	4.0	30.0	22.0	9.0	10.0	11.0	7.0	7.0	11.0	9.0	11.0	44.0	8.0	14.0	19.0	10.0	17.0	17.0	10.0	7.0	10.0	1.0	8.0	27.0	19.0	16.0	2.0	84.0	22.0	14.0	47.0	25.0	14.0	11.0	12.0	27.0	8.0	17.0	43.0	3.0	19.0	14.0	20.0	43.0	4.0	5.0	37.0	23.0	14.0	12.0	13.0	22.0	12.0	12.0	6.0	27.0	5.0	7.0	24.0	8.0	9.0	10.0	12.0	19.0	7.0	7.0	18.0	15.0	7.0	9.0	10.0	9.0	14.0	8.0	17.0	6.0	8.0	7.0	5.0	3.0	9.0	5.0	6.0	8.0	8.0	11.0	6.0	7.0	28.0	15.0	8.0	7.0	7.0	12.0	5.0	11.0	3.0	7.0	23.0	6.0	3.0	8.0	8.0	39.0	4.0	10.0	6.0	8.0	9.0	16.0	9.0	8.0	8.0	7.0	5.0	5.0	12.0	8.0	15.0	9.0	12.0	5.0	7.0	6.0	12.0	7.0	6.0	33.0	5.0	11.0	6.0	4.0	32.0	9.0	17.0	2.0	10.0	10.0	5.0	7.0	11.0	8.0	10.0	6.0	17.0	11.0	20.0	11.0	15.0	18.0	10.0	15.0	12.0	12.0	12.0	8.0	13.0	9.0	11.0	4.0	12.0	9.0	6.0	12.0	9.0	9.0	6.0	7.0	7.0	11.0	7.0	14.0	9.0	21.0	9.0	10.0	13.0	10.0	13.0	16.0	8.0	10.0	7.0	13.0	18.0	8.0	50.0	8.0	33.0	6.0	22.0	9.0	84.0	28.0	11.0	7.0	14.0	16.0	49.0	71.0	29.0	22.0	6.0	34.0	16.0	14.0	9.0	12.0	24.0	18.0	8.0	26.0	8.0	8.0	13.0	21.0	9.0	10.0	14.0	12.0	9.0	10.0	20.0	15.0	26.0	24.0	19.0	10.0	12.0	8.0	16.0	13.0	8.0	17.0	12.0	34.0	10.0	9.0	9.0	15.0	10.0	12.0	8.0	11.0	9.0	28.0	17.0	11.0	13.0	10.0	10.0	10.0	16.0	12.0	12.0	13.0	25.0	25.0	18.0	18.0	23.0	27.0	39.0	11.0	16.0	9.0	26.0	14.0	15.0	10.0	23.0	17.0	74.0	114.0	8.0	15.0	15.0	15.0	12.0	14.0	14.0	23.0	21.0	11.0	19.0	9.0	10.0	11.0	14.0	9.0	5.0	10.0	20.0	22.0	16.0	9.0	10.0	42.0	22.0	7.0	7.0	54.0	7.0	9.0	13.0	5.0	10.0	12.0	18.0	23.0	23.0	17.0	6.0	14.0	13.0	13.0	9.0	11.0	35.0	8.0	12.0	15.0	10.0	25.0	9.0	8.0	8.0	10.0	14.0	9.0	11.0	303.0	29.0	121.0	69.0	39.0	25.0	27.0	54.0	39.0	24.0	22.0	20.0	14.0	12.0	8.0	17.0	11.0	15.0	19.0	20.0	11.0	36.0	19.0	35.0	22.0	14.0	17.0	15.0	12.0	34.0	20.0	25.0	15.0	18.0	19.0	13.0	17.0	16.0	11.0	22.0	43.0	8.0	13.0	16.0	8.0	19.0	14.0	9.0	13.0	13.0	16.0	10.0	10.0	11.0	17.0	32.0	21.0	16.0	23.0	15.0	55.0	17.0	17.0	15.0	7.0	13.0	11.0	11.0	8.0	22.0	5.0	7.0	18.0	9.0	13.0	27.0	15.0	19.0	7.0	9.0	14.0	14.0	9.0	16.0	11.0	7.0	14.0	13.0	11.0	9.0	9.0	9.0	11.0	15.0	28.0	10.0	24.0	8.0	20.0	19.0	12.0	31.0	14.0	9.0	40.0	15.0	83.0	60.0	19.0	15.0	15.0	12.0	23.0	17.0	20.0	26.0	11.0	13.0	9.0	44.0	7.0	18.0	4.0	36.0	34.0	10.0	8.0	21.0	7.0	6.0	12.0	15.0	9.0	13.0	21.0	13.0	10.0	21.0	15.0	103.0	22.0	15.0	12.0	11.0	15.0	7.0	12.0	13.0	9.0	8.0	21.0	16.0	38.0	13.0	14.0	17.0	26.0	14.0	10.0	9.0	23.0	15.0	7.0	10.0	7.0	10.0	14.0	17.0	11.0	9.0	11.0	5.0	10.0	8.0	17.0	13.0	23.0	40.0	16.0	17.0	41.0	17.0	8.0	9.0	18.0	12.0	12.0	18.0	13.0	18.0	23.0	10.0	32.0	10.0	26.0	27.0	16.0	11.0	17.0	19.0	10.0	11.0
4	52_Hz_I_Love_You_zh.wikipedia.org_all-access_s...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	38.0	159.0	9.0	4.0	1.0	10.0	9.0	2.0	0.0	5.0	0.0	3.0	55.0	234.0	57.0	5.0	4.0	4.0	0.0	9.0	9.0	6.0	6.0	6.0	10.0	7.0	5.0	4.0	6.0	4.0	2.0	6.0	5.0	3.0	3.0	2.0	5.0	5.0	8.0	8.0	6.0	3.0	7.0	7.0	6.0	6.0	2.0	8.0	3.0	7.0	8.0	3.0	4.0	5.0	2.0	1.0	1.0	1.0	2.0	8.0	6.0	1.0	0.0	4.0	2.0	6.0	2.0	2.0	2.0	1.0	5.0	2.0	2.0	2.0	3.0	10.0	1.0	3.0	4.0	2.0	3.0	4.0	1.0	1.0	9.0	0.0	1.0	6.0	2.0	5.0	2.0	2.0	3.0	2.0	11.0	1.0	4.0	4.0	2.0	10.0	5.0	3.0	10.0	2.0	5.0	7.0	2.0	5.0	8.0	2.0	5.0	1.0	1.0	2.0	6.0	6.0	2.0	1.0	3.0	2.0	3.0	4.0	3.0	2.0	0.0	13.0	4.0	2.0	4.0	3.0	3.0	1.0	3.0	5.0	2.0	3.0	2.0	4.0	3.0	39.0	4.0	3.0	1.0	5.0	5.0	5.0	5.0	8.0	15.0	13.0	63.0	2.0	2.0	3.0	6.0	10.0	2.0	8.0	4.0	3.0	3.0	6.0	4.0	1.0	5.0	9.0	1.0	6.0	4.0	0.0	4.0	9.0	6.0	8.0	13.0	4.0	7.0	6.0	9.0	3.0	21.0	6.0	13.0	10.0	2.0	3.0	6.0	7.0	10.0	6.0	6.0	4.0	173.0	5.0	10.0	10.0	18.0	20.0	11.0	5.0	6.0	33.0	13.0	10.0	22.0	11.0	8.0	4.0	10.0	13.0	11.0	8.0	6.0	10.0	14.0	6.0	9.0	6.0	16.0	14.0	13.0	15.0	14.0	16.0	9.0	178.0	64.0	12.0	10.0	11.0	6.0	8.0	7.0	9.0	8.0	5.0	11.0	8.0	4.0	15.0	5.0	8.0	8.0	6.0	7.0	15.0	4.0	11.0	7.0	48.0	9.0	25.0	13.0	3.0	11.0	27.0	13.0	36.0	10.0
5	5566_zh.wikipedia.org_all-access_spider	12.0	7.0	4.0	5.0	20.0	8.0	5.0	17.0	24.0	7.0	12.0	11.0	7.0	9.0	6.0	10.0	8.0	13.0	3.0	14.0	4.0	9.0	14.0	10.0	8.0	3.0	74.0	17.0	8.0	6.0	9.0	3.0	10.0	21.0	9.0	5.0	3.0	4.0	1.0	7.0	3.0	15.0	5.0	6.0	9.0	4.0	6.0	7.0	9.0	11.0	11.0	2.0	3.0	7.0	23.0	4.0	8.0	8.0	10.0	5.0	8.0	4.0	4.0	8.0	18.0	6.0	4.0	9.0	6.0	8.0	5.0	11.0	5.0	10.0	25.0	29.0	3.0	10.0	9.0	16.0	13.0	7.0	22.0	9.0	9.0	17.0	10.0	24.0	13.0	23.0	12.0	2.0	14.0	13.0	25.0	13.0	12.0	11.0	8.0	5.0	30.0	6.0	10.0	10.0	10.0	6.0	8.0	13.0	21.0	29.0	38.0	6.0	22.0	10.0	6.0	11.0	13.0	6.0	8.0	14.0	16.0	16.0	4.0	12.0	7.0	9.0	9.0	8.0	11.0	8.0	17.0	7.0	4.0	11.0	8.0	4.0	3.0	22.0	9.0	6.0	13.0	12.0	12.0	8.0	7.0	25.0	7.0	11.0	9.0	5.0	21.0	6.0	12.0	5.0	12.0	9.0	7.0	11.0	73.0	14.0	4.0	12.0	11.0	5.0	20.0	7.0	6.0	9.0	17.0	14.0	17.0	10.0	16.0	8.0	8.0	14.0	13.0	14.0	13.0	7.0	14.0	10.0	16.0	14.0	10.0	9.0	8.0	14.0	5.0	10.0	11.0	22.0	13.0	9.0	10.0	12.0	15.0	14.0	11.0	9.0	12.0	6.0	18.0	11.0	20.0	16.0	14.0	15.0	11.0	12.0	17.0	11.0	19.0	13.0	13.0	7.0	24.0	8.0	6.0	9.0	12.0	5.0	10.0	5.0	8.0	2.0	9.0	10.0	10.0	15.0	18.0	19.0	45.0	6.0	13.0	40.0	14.0	11.0	8.0	5.0	17.0	16.0	13.0	22.0	16.0	10.0	11.0	18.0	53.0	213.0	20.0	19.0	15.0	4.0	8.0	14.0	8.0	11.0	15.0	13.0	8.0	11.0	7.0	12.0	22.0	19.0	9.0	11.0	11.0	8.0	11.0	14.0	17.0	13.0	12.0	14.0	8.0	18.0	20.0	28.0	19.0	21.0	21.0	26.0	17.0	27.0	22.0	20.0	33.0	21.0	17.0	14.0	8.0	8.0	10.0	14.0	28.0	23.0	26.0	11.0	28.0	6.0	18.0	18.0	19.0	11.0	11.0	18.0	16.0	25.0	19.0	8.0	13.0	14.0	12.0	8.0	16.0	13.0	14.0	14.0	8.0	9.0	13.0	15.0	20.0	15.0	13.0	16.0	8.0	21.0	14.0	22.0	5.0	10.0	9.0	15.0	19.0	14.0	8.0	34.0	9.0	10.0	11.0	17.0	18.0	27.0	15.0	16.0	28.0	13.0	31.0	24.0	19.0	8.0	9.0	12.0	19.0	11.0	11.0	23.0	17.0	13.0	12.0	12.0	16.0	9.0	4.0	7.0	14.0	8.0	9.0	9.0	17.0	22.0	11.0	20.0	11.0	15.0	10.0	15.0	7.0	15.0	12.0	14.0	8.0	11.0	14.0	10.0	26.0	28.0	19.0	16.0	12.0	7.0	20.0	13.0	10.0	18.0	12.0	26.0	12.0	12.0	13.0	14.0	29.0	15.0	18.0	48.0	14.0	21.0	14.0	20.0	8.0	10.0	21.0	19.0	7.0	10.0	18.0	11.0	18.0	15.0	12.0	10.0	8.0	12.0	15.0	9.0	19.0	19.0	16.0	13.0	17.0	16.0	17.0	16.0	44.0	16.0	19.0	6.0	11.0	23.0	30.0	13.0	14.0	17.0	15.0	15.0	15.0	18.0	15.0	22.0	19.0	18.0	15.0	19.0	15.0	20.0	27.0	15.0	59.0	28.0	15.0	18.0	16.0	78.0	97.0	35.0	40.0	97.0	49.0	24.0	29.0	42.0	30.0	30.0	38.0	25.0	18.0	27.0	27.0	32.0	27.0	25.0	15.0	15.0	19.0	102.0	23.0	26.0	21.0	25.0	53.0	13.0	22.0	33.0	19.0	18.0	21.0	24.0	22.0	21.0	18.0	30.0	20.0	12.0	17.0	12.0	122.0	31.0	16.0	15.0	16.0	23.0	30.0	12.0	6.0	17.0	17.0	18.0	15.0	19.0	35.0	16.0	25.0	13.0	19.0	15.0	25.0	135.0	22.0	18.0	12.0	21.0	16.0	52.0	24.0	15.0	28.0	17.0	16.0	27.0	8.0	17.0	32.0	19.0	23.0	17.0	17.0	50.0
6	91Days_zh.wikipedia.org_all-access_spider	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	61.0	5.0	18.0	26.0	3.0	10.0	5.0	2.0	16.0	40.0	57.0	86.0	8.0	9.0	9.0	3.0	22.0	38.0	18.0	10.0	18.0	14.0	9.0	11.0	12.0	6.0	10.0	59.0	15.0	9.0	86.0	10.0	121.0	26.0	12.0	8.0	11.0	76.0	50.0	23.0	7.0	11.0	14.0	11.0	54.0	30.0	37.0	6.0	9.0	19.0	15.0	23.0	97.0	11.0	26.0	9.0	10.0	21.0	30.0	38.0	8.0	11.0	14.0	11.0	32.0	54.0	65.0	22.0	28.0	21.0	12.0	12.0	15.0	18.0	4.0	7.0	10.0	30.0	16.0	45.0	30.0	15.0	33.0	12.0	4.0	6.0	18.0	10.0	43.0	10.0	52.0	28.0	30.0	83.0	46.0	20.0	10.0	11.0	28.0	10.0	27.0	7.0	10.0	18.0	12.0	12.0	11.0	21.0	40.0	13.0	14.0	11.0	8.0	12.0	13.0	8.0	47.0	32.0	96.0	9.0	14.0	17.0	42.0	17.0	7.0	20.0	12.0	10.0	5.0	87.0	26.0	46.0	11.0	9.0	7.0	11.0	7.0	8.0	14.0	9.0	8.0	3.0	7.0	7.0	8.0	10.0	6.0	10.0	9.0	6.0	15.0	7.0	8.0	9.0	6.0	6.0	4.0	18.0	11.0	12.0	8.0	7.0	15.0	13.0	1.0	8.0	15.0	6.0	10.0	16.0	3.0	9.0	4.0	7.0	7.0	2.0	7.0	33.0	8.0	11.0	4.0	15.0	6.0	8.0	6.0
7	A'N'D_zh.wikipedia.org_all-access_spider	118.0	26.0	30.0	24.0	29.0	127.0	53.0	37.0	20.0	32.0	17.0	23.0	47.0	33.0	47.0	58.0	29.0	187.0	128.0	34.0	38.0	8.0	38.0	17.0	45.0	14.0	15.0	56.0	30.0	15.0	115.0	6.0	25.0	10.0	135.0	40.0	63.0	32.0	35.0	65.0	14.0	21.0	35.0	50.0	49.0	38.0	12.0	37.0	87.0	66.0	90.0	64.0	402.0	86.0	90.0	30.0	86.0	61.0	7.0	44.0	7.0	15.0	11.0	61.0	9.0	23.0	31.0	154.0	11.0	16.0	5.0	6.0	7.0	5.0	4.0	9.0	12.0	31.0	11.0	11.0	10.0	21.0	7.0	9.0	5.0	1.0	68.0	9.0	4.0	10.0	44.0	34.0	59.0	53.0	12.0	71.0	26.0	79.0	21.0	80.0	43.0	32.0	72.0	62.0	12.0	6.0	14.0	4.0	69.0	25.0	18.0	3.0	8.0	5.0	12.0	18.0	8.0	45.0	13.0	3.0	19.0	43.0	31.0	15.0	40.0	63.0	27.0	3.0	29.0	20.0	12.0	12.0	2.0	5.0	18.0	6.0	25.0	13.0	57.0	5.0	4.0	1.0	110.0	93.0	142.0	114.0	140.0	37.0	6.0	30.0	96.0	18.0	66.0	25.0	3.0	9.0	153.0	246.0	100.0	38.0	40.0	24.0	6.0	7.0	21.0	88.0	57.0	21.0	16.0	34.0	18.0	27.0	13.0	80.0	26.0	7.0	11.0	15.0	12.0	19.0	9.0	19.0	17.0	32.0	156.0	84.0	61.0	33.0	18.0	25.0	270.0	108.0	39.0	31.0	242.0	45.0	51.0	99.0	35.0	52.0	46.0	45.0	26.0	29.0	33.0	43.0	38.0	25.0	23.0	38.0	35.0	27.0	40.0	24.0	68.0	22.0	40.0	13.0	19.0	43.0	26.0	22.0	13.0	75.0	25.0	30.0	39.0	5.0	43.0	24.0	41.0	266.0	15.0	15.0	17.0	63.0	39.0	35.0	31.0	32.0	26.0	77.0	25.0	111.0	22.0	35.0	15.0	28.0	21.0	20.0	17.0	10.0	12.0	9.0	36.0	21.0	14.0	36.0	8.0	20.0	11.0	54.0	8.0	7.0	15.0	53.0	14.0	20.0	17.0	20.0	14.0	11.0	18.0	15.0	28.0	39.0	19.0	23.0	22.0	14.0	13.0	47.0	8.0	12.0	10.0	8.0	22.0	16.0	12.0	19.0	11.0	46.0	15.0	16.0	30.0	17.0	18.0	32.0	17.0	141.0	150.0	13.0	107.0	30.0	23.0	12.0	17.0	28.0	24.0	73.0	88.0	17.0	27.0	50.0	29.0	51.0	28.0	78.0	24.0	7.0	25.0	8.0	24.0	58.0	24.0	36.0	37.0	52.0	14.0	19.0	5.0	11.0	15.0	27.0	11.0	38.0	23.0	188.0	27.0	141.0	52.0	40.0	62.0	12.0	13.0	148.0	133.0	26.0	9.0	17.0	42.0	50.0	45.0	33.0	34.0	27.0	19.0	14.0	12.0	16.0	94.0	61.0	23.0	37.0	15.0	35.0	33.0	128.0	11.0	26.0	21.0	44.0	27.0	16.0	14.0	37.0	75.0	39.0	42.0	34.0	63.0	68.0	114.0	194.0	229.0	153.0	44.0	192.0	55.0	54.0	102.0	81.0	91.0	76.0	37.0	52.0	136.0	9.0	88.0	113.0	123.0	176.0	520.0	123.0	93.0	43.0	37.0	137.0	35.0	64.0	59.0	87.0	84.0	67.0	138.0	156.0	62.0	200.0	73.0	110.0	135.0	145.0	151.0	87.0	66.0	92.0	85.0	77.0	87.0	91.0	23.0	48.0	87.0	37.0	35.0	53.0	56.0	49.0	35.0	66.0	44.0	43.0	64.0	193.0	43.0	147.0	75.0	66.0	27.0	18.0	120.0	29.0	25.0	64.0	65.0	90.0	44.0	70.0	29.0	64.0	62.0	33.0	27.0	42.0	68.0	20.0	85.0	56.0	58.0	21.0	104.0	54.0	78.0	113.0	41.0	48.0	31.0	21.0	56.0	52.0	89.0	83.0	44.0	80.0	53.0	38.0	102.0	54.0	41.0	77.0	73.0	21.0	77.0	107.0	185.0	33.0	150.0	42.0	80.0	70.0	81.0	59.0	19.0	55.0	48.0	44.0	21.0	58.0	141.0	115.0	30.0	74.0	11.0	49.0	28.0	62.0	28.0	30.0	32.0	59.0	17.0	38.0	76.0	97.0	18.0	163.0	39.0	33.0	23.0	16.0	102.0	22.0	52.0	39.0	125.0	189.0	49.0	55.0	26.0	77.0	64.0	35.0	35.0	28.0	20.0	23.0	32.0	39.0	32.0	17.0
8	AKB48_zh.wikipedia.org_all-access_spider	5.0	23.0	14.0	12.0	9.0	9.0	35.0	15.0	14.0	22.0	8.0	16.0	18.0	12.0	14.0	14.0	7.0	7.0	20.0	82.0	8.0	17.0	18.0	15.0	23.0	11.0	20.0	35.0	20.0	11.0	13.0	11.0	13.0	20.0	47.0	25.0	93.0	13.0	18.0	24.0	8.0	13.0	6.0	12.0	5.0	44.0	15.0	13.0	19.0	12.0	6.0	11.0	12.0	24.0	27.0	60.0	11.0	18.0	10.0	15.0	12.0	37.0	18.0	15.0	7.0	25.0	20.0	14.0	14.0	14.0	13.0	7.0	15.0	12.0	15.0	7.0	15.0	32.0	15.0	23.0	78.0	107.0	25.0	55.0	7.0	41.0	31.0	25.0	22.0	14.0	16.0	22.0	20.0	26.0	21.0	25.0	53.0	22.0	20.0	15.0	32.0	25.0	40.0	26.0	14.0	19.0	28.0	25.0	23.0	35.0	28.0	11.0	25.0	19.0	21.0	28.0	29.0	36.0	63.0	61.0	38.0	38.0	48.0	70.0	30.0	39.0	19.0	38.0	44.0	25.0	32.0	33.0	23.0	16.0	13.0	20.0	31.0	16.0	24.0	24.0	22.0	15.0	43.0	34.0	37.0	41.0	50.0	59.0	46.0	72.0	31.0	28.0	17.0	42.0	54.0	59.0	13.0	23.0	31.0	44.0	40.0	32.0	27.0	28.0	31.0	39.0	15.0	56.0	131.0	27.0	40.0	27.0	32.0	25.0	38.0	36.0	46.0	26.0	42.0	20.0	34.0	27.0	26.0	46.0	44.0	48.0	33.0	21.0	47.0	32.0	19.0	20.0	30.0	37.0	45.0	24.0	38.0	31.0	39.0	35.0	32.0	32.0	44.0	50.0	54.0	31.0	30.0	24.0	33.0	25.0	24.0	38.0	34.0	47.0	31.0	34.0	41.0	42.0	39.0	24.0	18.0	28.0	25.0	24.0	76.0	46.0	29.0	37.0	92.0	157.0	42.0	38.0	37.0	40.0	28.0	68.0	41.0	29.0	104.0	28.0	24.0	33.0	44.0	39.0	39.0	40.0	31.0	43.0	52.0	56.0	55.0	52.0	25.0	18.0	18.0	28.0	17.0	31.0	35.0	64.0	69.0	24.0	16.0	34.0	28.0	42.0	24.0	43.0	22.0	114.0	41.0	23.0	28.0	37.0	33.0	38.0	73.0	28.0	28.0	25.0	27.0	28.0	36.0	76.0	35.0	66.0	61.0	68.0	32.0	48.0	27.0	39.0	57.0	43.0	31.0	37.0	27.0	26.0	22.0	62.0	25.0	27.0	25.0	15.0	25.0	40.0	26.0	26.0	34.0	40.0	107.0	45.0	44.0	35.0	42.0	37.0	143.0	36.0	34.0	25.0	16.0	22.0	27.0	22.0	32.0	39.0	28.0	29.0	33.0	19.0	35.0	21.0	46.0	34.0	30.0	26.0	28.0	28.0	17.0	34.0	45.0	37.0	23.0	27.0	71.0	203.0	47.0	32.0	44.0	45.0	41.0	29.0	37.0	84.0	58.0	33.0	59.0	52.0	47.0	31.0	34.0	42.0	28.0	40.0	40.0	35.0	33.0	108.0	27.0	50.0	43.0	56.0	35.0	35.0	29.0	33.0	37.0	70.0	48.0	34.0	48.0	28.0	35.0	27.0	48.0	40.0	37.0	41.0	26.0	42.0	24.0	25.0	42.0	56.0	28.0	41.0	54.0	58.0	40.0	31.0	34.0	21.0	47.0	29.0	44.0	65.0	28.0	35.0	22.0	37.0	43.0	34.0	18.0	24.0	33.0	27.0	38.0	18.0	27.0	28.0	60.0	31.0	40.0	30.0	36.0	35.0	21.0	27.0	26.0	29.0	22.0	35.0	22.0	31.0	24.0	34.0	15.0	47.0	45.0	27.0	36.0	27.0	29.0	32.0	32.0	33.0	30.0	27.0	29.0	34.0	31.0	27.0	28.0	25.0	24.0	34.0	34.0	28.0	50.0	23.0	47.0	24.0	37.0	19.0	19.0	28.0	42.0	40.0	29.0	29.0	45.0	24.0	24.0	29.0	49.0	23.0	32.0	17.0	26.0	30.0	19.0	35.0	44.0	30.0	40.0	23.0	26.0	43.0	42.0	19.0	29.0	24.0	72.0	35.0	27.0	89.0	52.0	30.0	25.0	60.0	25.0	63.0	32.0	44.0	25.0	27.0	23.0	34.0	90.0	82.0	30.0	33.0	28.0	25.0	30.0	40.0	20.0	65.0	45.0	26.0	18.0	74.0	71.0	35.0	33.0	22.0	100.0	119.0	26.0	59.0	81.0	20.0	31.0	31.0	30.0	59.0	111.0	32.0	34.0	31.0	34.0	105.0	72.0	36.0	33.0	30.0	36.0	38.0	31.0	97.0
9	ASCII_zh.wikipedia.org_all-access_spider	6.0	3.0	5.0	12.0	6.0	5.0	4.0	13.0	9.0	15.0	18.0	7.0	8.0	12.0	25.0	23.0	6.0	10.0	7.0	3.0	17.0	10.0	16.0	10.0	7.0	6.0	15.0	12.0	32.0	7.0	10.0	5.0	13.0	22.0	15.0	12.0	9.0	3.0	12.0	6.0	4.0	6.0	4.0	4.0	16.0	11.0	8.0	5.0	5.0	6.0	12.0	9.0	15.0	10.0	10.0	15.0	5.0	7.0	9.0	7.0	9.0	9.0	7.0	12.0	6.0	9.0	9.0	9.0	26.0	2.0	7.0	15.0	10.0	8.0	2.0	17.0	9.0	24.0	23.0	14.0	14.0	13.0	21.0	24.0	19.0	18.0	13.0	14.0	14.0	15.0	10.0	16.0	13.0	13.0	14.0	17.0	11.0	6.0	25.0	21.0	14.0	15.0	7.0	12.0	23.0	16.0	12.0	16.0	8.0	10.0	18.0	16.0	22.0	12.0	15.0	13.0	16.0	19.0	21.0	23.0	25.0	12.0	15.0	14.0	17.0	16.0	13.0	14.0	12.0	9.0	13.0	18.0	20.0	7.0	15.0	21.0	14.0	13.0	25.0	19.0	19.0	23.0	32.0	20.0	9.0	14.0	16.0	21.0	26.0	14.0	19.0	24.0	14.0	15.0	21.0	17.0	27.0	11.0	21.0	16.0	27.0	23.0	28.0	23.0	21.0	18.0	35.0	29.0	17.0	25.0	28.0	20.0	15.0	22.0	19.0	25.0	23.0	36.0	16.0	13.0	25.0	13.0	19.0	24.0	11.0	18.0	20.0	27.0	26.0	21.0	30.0	36.0	36.0	41.0	33.0	23.0	21.0	31.0	16.0	24.0	24.0	12.0	16.0	23.0	29.0	14.0	16.0	12.0	28.0	23.0	38.0	30.0	40.0	17.0	11.0	16.0	14.0	16.0	20.0	21.0	18.0	17.0	13.0	12.0	20.0	20.0	21.0	17.0	23.0	20.0	23.0	29.0	28.0	17.0	19.0	14.0	22.0	32.0	25.0	22.0	23.0	30.0	21.0	17.0	26.0	16.0	27.0	43.0	25.0	30.0	28.0	25.0	42.0	28.0	23.0	23.0	33.0	19.0	28.0	31.0	21.0	25.0	23.0	32.0	36.0	21.0	28.0	17.0	39.0	32.0	27.0	22.0	39.0	34.0	30.0	49.0	18.0	14.0	14.0	22.0	50.0	24.0	29.0	28.0	22.0	37.0	33.0	35.0	28.0	27.0	25.0	20.0	36.0	23.0	28.0	28.0	27.0	19.0	27.0	22.0	33.0	21.0	42.0	15.0	19.0	25.0	11.0	20.0	23.0	22.0	34.0	16.0	28.0	38.0	47.0	25.0	29.0	33.0	23.0	19.0	35.0	34.0	38.0	35.0	38.0	18.0	14.0	32.0	22.0	30.0	23.0	35.0	21.0	22.0	33.0	27.0	17.0	26.0	20.0	25.0	22.0	38.0	19.0	27.0	31.0	29.0	15.0	31.0	26.0	25.0	38.0	22.0	21.0	27.0	25.0	38.0	35.0	34.0	24.0	29.0	35.0	27.0	21.0	31.0	21.0	30.0	26.0	21.0	21.0	29.0	35.0	27.0	22.0	19.0	22.0	37.0	30.0	22.0	41.0	27.0	23.0	27.0	19.0	37.0	28.0	36.0	37.0	35.0	35.0	29.0	33.0	39.0	31.0	28.0	33.0	32.0	27.0	16.0	28.0	24.0	30.0	30.0	17.0	30.0	20.0	27.0	26.0	30.0	27.0	31.0	19.0	21.0	19.0	30.0	18.0	20.0	19.0	25.0	47.0	28.0	32.0	32.0	21.0	37.0	17.0	26.0	26.0	23.0	32.0	23.0	14.0	22.0	24.0	28.0	21.0	28.0	19.0	25.0	29.0	12.0	28.0	31.0	32.0	25.0	18.0	39.0	25.0	15.0	27.0	23.0	37.0	28.0	23.0	22.0	41.0	23.0	25.0	25.0	25.0	30.0	20.0	17.0	25.0	29.0	19.0	18.0	19.0	25.0	20.0	32.0	31.0	30.0	20.0	22.0	40.0	27.0	20.0	23.0	28.0	22.0	25.0	28.0	13.0	26.0	17.0	18.0	22.0	21.0	27.0	23.0	31.0	20.0	21.0	21.0	33.0	39.0	37.0	35.0	22.0	13.0	32.0	20.0	20.0	37.0	19.0	27.0	22.0	11.0	17.0	14.0	37.0	20.0	25.0	28.0	27.0	20.0	50.0	29.0	23.0	34.0	34.0	23.0	19.0	29.0	26.0	24.0	25.0	32.0	26.0	17.0	32.0	22.0	39.0	62.0	33.0	35.0	24.0	26.0	33.0	38.0	25.0	17.0	22.0	29.0	30.0	29.0	35.0	44.0	26.0	41.0

	2015-07-01	2015-07-02	2015-07-03	2015-07-04	2015-07-05	2015-07-06	2015-07-07	2015-07-08	2015-07-09	2015-07-10	2015-07-11	2015-07-12	2015-07-13	2015-07-14	2015-07-15	2015-07-16	2015-07-17	2015-07-18	2015-07-19	2015-07-20	2015-07-21	2015-07-22	2015-07-23	2015-07-24	2015-07-25	2015-07-26	2015-07-27	2015-07-28	2015-07-29	2015-07-30	2015-07-31	2015-08-01	2015-08-02	2015-08-03	2015-08-04	2015-08-05	2015-08-06	2015-08-07	2015-08-08	2015-08-09	2015-08-10	2015-08-11	2015-08-12	2015-08-13	2015-08-14	2015-08-15	2015-08-16	2015-08-17	2015-08-18	2015-08-19	2015-08-20	2015-08-21	2015-08-22	2015-08-23	2015-08-24	2015-08-25	2015-08-26	2015-08-27	2015-08-28	2015-08-29	2015-08-30	2015-08-31	2015-09-01	2015-09-02	2015-09-03	2015-09-04	2015-09-05	2015-09-06	2015-09-07	2015-09-08	2015-09-09	2015-09-10	2015-09-11	2015-09-12	2015-09-13	2015-09-14	2015-09-15	2015-09-16	2015-09-17	2015-09-18	2015-09-19	2015-09-20	2015-09-21	2015-09-22	2015-09-23	2015-09-24	2015-09-25	2015-09-26	2015-09-27	2015-09-28	2015-09-29	2015-09-30	2015-10-01	2015-10-02	2015-10-03	2015-10-04	2015-10-05	2015-10-06	2015-10-07	2015-10-08	2015-10-09	2015-10-10	2015-10-11	2015-10-12	2015-10-13	2015-10-14	2015-10-15	2015-10-16	2015-10-17	2015-10-18	2015-10-19	2015-10-20	2015-10-21	2015-10-22	2015-10-23	2015-10-24	2015-10-25	2015-10-26	2015-10-27	2015-10-28	2015-10-29	2015-10-30	2015-10-31	2015-11-01	2015-11-02	2015-11-03	2015-11-04	2015-11-05	2015-11-06	2015-11-07	2015-11-08	2015-11-09	2015-11-10	2015-11-11	2015-11-12	2015-11-13	2015-11-14	2015-11-15	2015-11-16	2015-11-17	2015-11-18	2015-11-19	2015-11-20	2015-11-21	2015-11-22	2015-11-23	2015-11-24	2015-11-25	2015-11-26	2015-11-27	2015-11-28	2015-11-29	2015-11-30	2015-12-01	2015-12-02	2015-12-03	2015-12-04	2015-12-05	2015-12-06	2015-12-07	2015-12-08	2015-12-09	2015-12-10	2015-12-11	2015-12-12	2015-12-13	2015-12-14	2015-12-15	2015-12-16	2015-12-17	2015-12-18	2015-12-19	2015-12-20	2015-12-21	2015-12-22	2015-12-23	2015-12-24	2015-12-25	2015-12-26	2015-12-27	2015-12-28	2015-12-29	2015-12-30	2015-12-31	2016-01-01	2016-01-02	2016-01-03	2016-01-04	2016-01-05	2016-01-06	2016-01-07	2016-01-08	2016-01-09	2016-01-10	2016-01-11	2016-01-12	2016-01-13	2016-01-14	2016-01-15	2016-01-16	2016-01-17	2016-01-18	2016-01-19	2016-01-20	2016-01-21	2016-01-22	2016-01-23	2016-01-24	2016-01-25	2016-01-26	2016-01-27	2016-01-28	2016-01-29	2016-01-30	2016-01-31	2016-02-01	2016-02-02	2016-02-03	2016-02-04	2016-02-05	2016-02-06	2016-02-07	2016-02-08	2016-02-09	2016-02-10	2016-02-11	2016-02-12	2016-02-13	2016-02-14	2016-02-15	2016-02-16	2016-02-17	2016-02-18	2016-02-19	2016-02-20	2016-02-21	2016-02-22	2016-02-23	2016-02-24	2016-02-25	2016-02-26	2016-02-27	2016-02-28	2016-02-29	2016-03-01	2016-03-02	2016-03-03	2016-03-04	2016-03-05	2016-03-06	2016-03-07	2016-03-08	2016-03-09	2016-03-10	2016-03-11	2016-03-12	2016-03-13	2016-03-14	2016-03-15	2016-03-16	2016-03-17	2016-03-18	2016-03-19	2016-03-20	2016-03-21	2016-03-22	2016-03-23	2016-03-24	2016-03-25	2016-03-26	2016-03-27	2016-03-28	2016-03-29	2016-03-30	2016-03-31	2016-04-01	2016-04-02	2016-04-03	2016-04-04	2016-04-05	2016-04-06	2016-04-07	2016-04-08	2016-04-09	2016-04-10	2016-04-11	2016-04-12	2016-04-13	2016-04-14	2016-04-15	2016-04-16	2016-04-17	2016-04-18	2016-04-19	2016-04-20	2016-04-21	2016-04-22	2016-04-23	2016-04-24	2016-04-25	2016-04-26	2016-04-27	2016-04-28	2016-04-29	2016-04-30	2016-05-01	2016-05-02	2016-05-03	2016-05-04	2016-05-05	2016-05-06	2016-05-07	2016-05-08	2016-05-09	2016-05-10	2016-05-11	2016-05-12	2016-05-13	2016-05-14	2016-05-15	2016-05-16	2016-05-17	2016-05-18	2016-05-19	2016-05-20	2016-05-21	2016-05-22	2016-05-23	2016-05-24	2016-05-25	2016-05-26	2016-05-27	2016-05-28	2016-05-29	2016-05-30	2016-05-31	2016-06-01	2016-06-02	2016-06-03	2016-06-04	2016-06-05	2016-06-06	2016-06-07	2016-06-08	2016-06-09	2016-06-10	2016-06-11	2016-06-12	2016-06-13	2016-06-14	2016-06-15	2016-06-16	2016-06-17	2016-06-18	2016-06-19	2016-06-20	2016-06-21	2016-06-22	2016-06-23	2016-06-24	2016-06-25	2016-06-26	2016-06-27	2016-06-28	2016-06-29	2016-06-30	2016-07-01	2016-07-02	2016-07-03	2016-07-04	2016-07-05	2016-07-06	2016-07-07	2016-07-08	2016-07-09	2016-07-10	2016-07-11	2016-07-12	2016-07-13	2016-07-14	2016-07-15	2016-07-16	2016-07-17	2016-07-18	2016-07-19	2016-07-20	2016-07-21	2016-07-22	2016-07-23	2016-07-24	2016-07-25	2016-07-26	2016-07-27	2016-07-28	2016-07-29	2016-07-30	2016-07-31	2016-08-01	2016-08-02	2016-08-03	2016-08-04	2016-08-05	2016-08-06	2016-08-07	2016-08-08	2016-08-09	2016-08-10	2016-08-11	2016-08-12	2016-08-13	2016-08-14	2016-08-15	2016-08-16	2016-08-17	2016-08-18	2016-08-19	2016-08-20	2016-08-21	2016-08-22	2016-08-23	2016-08-24	2016-08-25	2016-08-26	2016-08-27	2016-08-28	2016-08-29	2016-08-30	2016-08-31	2016-09-01	2016-09-02	2016-09-03	2016-09-04	2016-09-05	2016-09-06	2016-09-07	2016-09-08	2016-09-09	2016-09-10	2016-09-11	2016-09-12	2016-09-13	2016-09-14	2016-09-15	2016-09-16	2016-09-17	2016-09-18	2016-09-19	2016-09-20	2016-09-21	2016-09-22	2016-09-23	2016-09-24	2016-09-25	2016-09-26	2016-09-27	2016-09-28	2016-09-29	2016-09-30	2016-10-01	2016-10-02	2016-10-03	2016-10-04	2016-10-05	2016-10-06	2016-10-07	2016-10-08	2016-10-09	2016-10-10	2016-10-11	2016-10-12	2016-10-13	2016-10-14	2016-10-15	2016-10-16	2016-10-17	2016-10-18	2016-10-19	2016-10-20	2016-10-21	2016-10-22	2016-10-23	2016-10-24	2016-10-25	2016-10-26	2016-10-27	2016-10-28	2016-10-29	2016-10-30	2016-10-31	2016-11-01	2016-11-02	2016-11-03	2016-11-04	2016-11-05	2016-11-06	2016-11-07	2016-11-08	2016-11-09	2016-11-10	2016-11-11	2016-11-12	2016-11-13	2016-11-14	2016-11-15	2016-11-16	2016-11-17	2016-11-18	2016-11-19	2016-11-20	2016-11-21	2016-11-22	2016-11-23	2016-11-24	2016-11-25	2016-11-26	2016-11-27	2016-11-28	2016-11-29	2016-11-30	2016-12-01	2016-12-02	2016-12-03	2016-12-04	2016-12-05	2016-12-06	2016-12-07	2016-12-08	2016-12-09	2016-12-10	2016-12-11	2016-12-12	2016-12-13	2016-12-14	2016-12-15	2016-12-16	2016-12-17	2016-12-18	2016-12-19	2016-12-20	2016-12-21	2016-12-22	2016-12-23	2016-12-24	2016-12-25	2016-12-26	2016-12-27	2016-12-28	2016-12-29	2016-12-30	2016-12-31
145043	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	110.0	6.0	35.0	4.0	6.0	8.0	20.0	4.0	3.0	2.0	29.0	18.0	5.0	12.0	5.0	6.0	2.0	3.0	2.0	3.0	5.0	6.0	3.0	9.0	2.0	3.0	9.0	13.0	8.0	38.0	126.0	17.0	10.0	11.0	17.0	1.0	63.0	37.0	5.0	11.0	9.0	12.0	3.0	9.0	26.0	11.0	9.0	9.0	16.0	7.0	7.0	31.0	4.0	9.0	5.0	8.0	22.0	13.0	11.0	24.0	6.0	4.0	10.0	1.0	62.0	16.0	12.0	10.0	13.0	21.0	9.0	10.0	10.0	4.0	1.0	1.0	5.0	18.0	3.0	3.0	5.0	6.0	3.0	29.0	6.0	13.0	7.0	9.0	21.0	10.0	7.0	11.0	7.0	6.0	4.0	7.0	3.0	4.0	4.0	2.0	4.0	5.0	2.0	2.0
145044	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	6.0	8.0	15.0	12.0	2.0	96.0	14.0	3.0	3.0	2.0	2.0	3.0	4.0	2.0	1.0	0.0	2.0	2.0	0.0	38.0	1.0	3.0	3.0	0.0	0.0	0.0	21.0	3.0	0.0	21.0	25.0	1.0	1.0	6.0	2.0	2.0	10.0	2.0	2.0	13.0	3.0	14.0	2.0	0.0	0.0	3.0	15.0	3.0	3.0	1.0	40.0	23.0	19.0	201.0	12.0	20.0	1.0	27.0	1.0	3.0	11.0	17.0	3.0	11.0	69.0	18.0	12.0	1.0	16.0	1.0	4.0	171.0	64.0	33.0	13.0	13.0	47.0	13.0	14.0	17.0	19.0	115.0	11.0	164.0	4.0	14.0	2.0	7.0	8.0	20.0	27.0	11.0	7.0	17.0	13.0	40.0
145045	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	11.0	44.0	29.0	1.0	3.0	3.0	0.0	1.0	0.0	1.0	2.0	1.0	1.0	2.0	0.0	0.0	2.0	2.0	0.0	0.0	0.0	0.0	3.0	1.0	0.0	0.0	1.0	1.0	0.0	0.0	2.0	2.0	0.0	5.0	5.0	0.0	0.0	3.0	1.0	1.0	5.0	1.0	0.0	2.0	1.0	2.0	1.0	6.0	0.0	2.0	2.0	0.0	0.0	0.0	1.0	1.0	1.0	0.0	1.0	3.0	0.0	1.0	2.0	4.0	1.0	0.0	2.0	0.0	1.0	1.0	1.0	1.0	1.0	3.0	1.0	1.0	0.0	1.0	0.0	3.0	3.0	1.0	1.0	1.0	2.0	3.0	2.0	1.0	2.0	0.0	0.0	1.0	1.0	1.0	0.0	1.0
145046	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	3.0	293.0	128.0	68.0	81.0	112.0	173.0	342.0	233.0	213.0	187.0	243.0	181.0	205.0	202.0	81.0	34.0	22.0	26.0	72.0	35.0	14.0	15.0	9.0	43.0	32.0	24.0	13.0	11.0	19.0	16.0	9.0	7.0	30.0	9.0	14.0	40.0	16.0	14.0	16.0	8.0	5.0	14.0	9.0	8.0	7.0	4.0	5.0	3.0	7.0	6.0	4.0	9.0	13.0	35.0	16.0	7.0	10.0	13.0	10.0	10.0	11.0	10.0	6.0	3.0	6.0	9.0	8.0	3.0	6.0	8.0	4.0	4.0	5.0	3.0	6.0	9.0	8.0	8.0	15.0	11.0	10.0	9.0	6.0	4.0	4.0	6.0	5.0	5.0	13.0	7.0	11.0	7.0
145047	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	22.0	0.0	9.0	2.0	1.0	1.0	0.0	0.0	0.0	0.0	0.0	1.0	1.0	0.0	0.0	2.0	0.0	1.0	3.0	0.0	6.0	0.0	1.0	1.0	0.0	0.0	2.0	2.0	0.0	2.0	2.0	2.0	0.0	1.0	1.0	1.0	1.0	0.0	0.0	3.0	0.0	1.0	2.0	0.0	1.0	0.0	1.0	1.0	1.0	1.0	3.0	1.0	2.0	1.0	1.0	2.0	0.0	0.0	1.0	3.0	1.0	2.0	2.0	5.0	64.0	4.0	26.0	0.0	1.0	0.0	3.0	1.0	1.0	48.0	1.0	4.0	5.0	3.0	10.0	1.0	6.0	22.0	34.0	1.0	3.0	29.0
145048	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	14.0	5.0	17.0	12.0	1.0	10.0	9.0	6.0	3.0	28.0	39.0	24.0	7.0	14.0	10.0	4.0	2.0	2.0	3.0	9.0	4.0	0.0	3.0	5.0	22.0	6.0	7.0	4.0	4.0	2.0	2.0	5.0	5.0	10.0	4.0	6.0	26.0	4.0	1.0	0.0	4.0	3.0	6.0	0.0	2.0	3.0	1.0	4.0	17.0	26.0	13.0	1.0	1.0	2.0	0.0	2.0	13.0	4.0	10.0	16.0	9.0	2.0	3.0	1.0	5.0	3.0	4.0	5.0	3.0	1.0	0.0	5.0	26.0	25.0	7.0	5.0	8.0	25.0	2.0	8.0	3.0	1.0
145049	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	19.0	1.0	1.0	0.0	0.0	1.0	2.0	0.0	0.0	1.0	0.0	0.0	162.0	16.0	0.0	NaN	NaN	13.0	0.0	NaN	24.0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	NaN	NaN	76.0	42.0	42.0	23.0	10.0	1.0	3.0	2.0	16.0	23.0	5.0	17.0	1.0	6.0	31.0	10.0	8.0	54.0	4.0	8.0	15.0	5.0	6.0	35.0	10.0	3.0	4.0	1.0	31.0	27.0	9.0	135.0
145050	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	5.0	1.0	8.0	2.0	4.0	1.0	1.0	0.0	7.0	5.0	4.0	3.0	28.0	2.0	2.0	0.0	0.0	1.0	0.0	2.0	1.0	0.0	0.0	16.0	0.0	2.0	8.0	0.0	0.0	0.0	2.0	1.0	1.0	0.0	0.0	4.0	3.0	4.0	2.0	7.0	3.0	1.0	1.0	2.0	1.0	1.0	1.0	1.0	11.0	6.0	0.0	1.0	2.0	0.0	3.0	1.0	0.0	1.0	0.0	9.0	2.0	3.0	1.0	4.0	1.0	2.0	7.0	2.0	3.0	2.0	18.0	40.0	1.0	42.0
145051	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	NaN	NaN	NaN	NaN	NaN	36.0	3.0	1.0	1.0	9.0	2.0	4.0	19.0	3.0	42.0	6.0	9.0	14.0	1.0	1.0	4.0	11.0	4.0	2.0	2.0	4.0	33.0	49.0	18.0	68.0	88.0	7.0	8.0	17.0	157.0	169.0	191.0	45.0	2.0	9.0	75.0	51.0	73.0	54.0	83.0	20.0	3.0	7.0	34.0	22.0	74.0	222.0	2.0	16.0	21.0	7.0	34.0	37.0	42.0
145052	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	28.0	13.0	15.0	0.0	7.0	13.0	10.0	367.0	14.0	21.0	14.0	9.0	7.0	8.0	7.0	11.0	37.0	11.0	3.0	5.0	6.0	13.0	9.0	7.0	8.0	8.0	17.0	35.0	4.0	4.0	3.0	5.0	3.0	7.0	4.0	2.0	5.0	3.0	11.0	10.0	14.0	23.0	10.0	12.0	9.0	9.0	5.0	83.0	44.0	36.0	9.0	4.0	17.0	6.0	11.0	5.0
145053	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	14.0	9.0	7.0	2.0	2.0	5.0	5.0	3.0	36.0	72.0	6.0	5.0	8.0	20.0	1.0	4.0	86.0	9.0	2.0	3.0	8.0	27.0	3.0	1.0	1.0	2.0	3.0	4.0	1.0	0.0	3.0	6.0	0.0	1.0	3.0	26.0	5.0	57.0	7.0	2.0	2.0	6.0	38.0	18.0	13.0	7.0	6.0	3.0	3.0	8.0	21.0	14.0	24.0	37.0
145054	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	26.0	9.0	14.0	46.0	3.0	20.0	21.0	6.0	6.0	7.0	11.0	19.0	15.0	22.0	14.0	7.0	8.0	14.0	8.0	33.0	10.0	11.0	8.0	10.0	11.0	8.0	9.0	9.0	19.0	17.0	7.0	13.0	12.0	31.0	11.0
145055	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	50.0	61.0	1.0	1.0	2.0	4.0	3.0	4.0	2.0	4.0	2.0	9.0	0.0	2.0	0.0	1.0	2.0	1.0	1.0	3.0	4.0	2.0	4.0	4.0	3.0
145056	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	11.0	166.0	3.0	107.0	43.0	32.0	56.0	138.0	0.0	0.0	0.0	16.0	0.0	3.0	21.0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	51.0
145057	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	21.0	NaN	NaN	NaN	NaN	0.0	0.0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
145058	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	13.0	12.0	13.0	3.0	5.0	10.0
145059	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
145060	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
145061	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
145062	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN

	2015-07-01	2015-07-02	2015-07-03	2015-07-04	2015-07-05	2015-07-06	2015-07-07	2015-07-08	2015-07-09	2015-07-10	2015-07-11	2015-07-12	2015-07-13	2015-07-14	2015-07-15	2015-07-16	2015-07-17	2015-07-18	2015-07-19	2015-07-20	2015-07-21	2015-07-22	2015-07-23	2015-07-24	2015-07-25	2015-07-26	2015-07-27	2015-07-28	2015-07-29	2015-07-30	2015-07-31	2015-08-01	2015-08-02	2015-08-03	2015-08-04	2015-08-05	2015-08-06	2015-08-07	2015-08-08	2015-08-09	2015-08-10	2015-08-11	2015-08-12	2015-08-13	2015-08-14	2015-08-15	2015-08-16	2015-08-17	2015-08-18	2015-08-19	2015-08-20	2015-08-21	2015-08-22	2015-08-23	2015-08-24	2015-08-25	2015-08-26	2015-08-27	2015-08-28	2015-08-29	2015-08-30	2015-08-31	2015-09-01	2015-09-02	2015-09-03	2015-09-04	2015-09-05	2015-09-06	2015-09-07	2015-09-08	2015-09-09	2015-09-10	2015-09-11	2015-09-12	2015-09-13	2015-09-14	2015-09-15	2015-09-16	2015-09-17	2015-09-18	2015-09-19	2015-09-20	2015-09-21	2015-09-22	2015-09-23	2015-09-24	2015-09-25	2015-09-26	2015-09-27	2015-09-28	2015-09-29	2015-09-30	2015-10-01	2015-10-02	2015-10-03	2015-10-04	2015-10-05	2015-10-06	2015-10-07	2015-10-08	2015-10-09	2015-10-10	2015-10-11	2015-10-12	2015-10-13	2015-10-14	2015-10-15	2015-10-16	2015-10-17	2015-10-18	2015-10-19	2015-10-20	2015-10-21	2015-10-22	2015-10-23	2015-10-24	2015-10-25	2015-10-26	2015-10-27	2015-10-28	2015-10-29	2015-10-30	2015-10-31	2015-11-01	2015-11-02	2015-11-03	2015-11-04	2015-11-05	2015-11-06	2015-11-07	2015-11-08	2015-11-09	2015-11-10	2015-11-11	2015-11-12	2015-11-13	2015-11-14	2015-11-15	2015-11-16	2015-11-17	2015-11-18	2015-11-19	2015-11-20	2015-11-21	2015-11-22	2015-11-23	2015-11-24	2015-11-25	2015-11-26	2015-11-27	2015-11-28	2015-11-29	2015-11-30	2015-12-01	2015-12-02	2015-12-03	2015-12-04	2015-12-05	2015-12-06	2015-12-07	2015-12-08	2015-12-09	2015-12-10	2015-12-11	2015-12-12	2015-12-13	2015-12-14	2015-12-15	2015-12-16	2015-12-17	2015-12-18	2015-12-19	2015-12-20	2015-12-21	2015-12-22	2015-12-23	2015-12-24	2015-12-25	2015-12-26	2015-12-27	2015-12-28	2015-12-29	2015-12-30	2015-12-31	2016-01-01	2016-01-02	2016-01-03	2016-01-04	2016-01-05	2016-01-06	2016-01-07	2016-01-08	2016-01-09	2016-01-10	2016-01-11	2016-01-12	2016-01-13	2016-01-14	2016-01-15	2016-01-16	2016-01-17	2016-01-18	2016-01-19	2016-01-20	2016-01-21	2016-01-22	2016-01-23	2016-01-24	2016-01-25	2016-01-26	2016-01-27	2016-01-28	2016-01-29	2016-01-30	2016-01-31	2016-02-01	2016-02-02	2016-02-03	2016-02-04	2016-02-05	2016-02-06	2016-02-07	2016-02-08	2016-02-09	2016-02-10	2016-02-11	2016-02-12	2016-02-13	2016-02-14	2016-02-15	2016-02-16	2016-02-17	2016-02-18	2016-02-19	2016-02-20	2016-02-21	2016-02-22	2016-02-23	2016-02-24	2016-02-25	2016-02-26	2016-02-27	2016-02-28	2016-02-29	2016-03-01	2016-03-02	2016-03-03	2016-03-04	2016-03-05	2016-03-06	2016-03-07	2016-03-08	2016-03-09	2016-03-10	2016-03-11	2016-03-12	2016-03-13	2016-03-14	2016-03-15	2016-03-16	2016-03-17	2016-03-18	2016-03-19	2016-03-20	2016-03-21	2016-03-22	2016-03-23	2016-03-24	2016-03-25	2016-03-26	2016-03-27	2016-03-28	2016-03-29	2016-03-30	2016-03-31	2016-04-01	2016-04-02	2016-04-03	2016-04-04	2016-04-05	2016-04-06	2016-04-07	2016-04-08	2016-04-09	2016-04-10	2016-04-11	2016-04-12	2016-04-13	2016-04-14	2016-04-15	2016-04-16	2016-04-17	2016-04-18	2016-04-19	2016-04-20	2016-04-21	2016-04-22	2016-04-23	2016-04-24	2016-04-25	2016-04-26	2016-04-27	2016-04-28	2016-04-29	2016-04-30	2016-05-01	2016-05-02	2016-05-03	2016-05-04	2016-05-05	2016-05-06	2016-05-07	2016-05-08	2016-05-09	2016-05-10	2016-05-11	2016-05-12	2016-05-13	2016-05-14	2016-05-15	2016-05-16	2016-05-17	2016-05-18	2016-05-19	2016-05-20	2016-05-21	2016-05-22	2016-05-23	2016-05-24	2016-05-25	2016-05-26	2016-05-27	2016-05-28	2016-05-29	2016-05-30	2016-05-31	2016-06-01	2016-06-02	2016-06-03	2016-06-04	2016-06-05	2016-06-06	2016-06-07	2016-06-08	2016-06-09	2016-06-10	2016-06-11	2016-06-12	2016-06-13	2016-06-14	2016-06-15	2016-06-16	2016-06-17	2016-06-18	2016-06-19	2016-06-20	2016-06-21	2016-06-22	2016-06-23	2016-06-24	2016-06-25	2016-06-26	2016-06-27	2016-06-28	2016-06-29	2016-06-30	2016-07-01	2016-07-02	2016-07-03	2016-07-04	2016-07-05	2016-07-06	2016-07-07	2016-07-08	2016-07-09	2016-07-10	2016-07-11	2016-07-12	2016-07-13	2016-07-14	2016-07-15	2016-07-16	2016-07-17	2016-07-18	2016-07-19	2016-07-20	2016-07-21	2016-07-22	2016-07-23	2016-07-24	2016-07-25	2016-07-26	2016-07-27	2016-07-28	2016-07-29	2016-07-30	2016-07-31	2016-08-01	2016-08-02	2016-08-03	2016-08-04	2016-08-05	2016-08-06	2016-08-07	2016-08-08	2016-08-09	2016-08-10	2016-08-11	2016-08-12	2016-08-13	2016-08-14	2016-08-15	2016-08-16	2016-08-17	2016-08-18	2016-08-19	2016-08-20	2016-08-21	2016-08-22	2016-08-23	2016-08-24	2016-08-25	2016-08-26	2016-08-27	2016-08-28	2016-08-29	2016-08-30	2016-08-31	2016-09-01	2016-09-02	2016-09-03	2016-09-04	2016-09-05	2016-09-06	2016-09-07	2016-09-08	2016-09-09	2016-09-10	2016-09-11	2016-09-12	2016-09-13	2016-09-14	2016-09-15	2016-09-16	2016-09-17	2016-09-18	2016-09-19	2016-09-20	2016-09-21	2016-09-22	2016-09-23	2016-09-24	2016-09-25	2016-09-26	2016-09-27	2016-09-28	2016-09-29	2016-09-30	2016-10-01	2016-10-02	2016-10-03	2016-10-04	2016-10-05	2016-10-06	2016-10-07	2016-10-08	2016-10-09	2016-10-10	2016-10-11	2016-10-12	2016-10-13	2016-10-14	2016-10-15	2016-10-16	2016-10-17	2016-10-18	2016-10-19	2016-10-20	2016-10-21	2016-10-22	2016-10-23	2016-10-24	2016-10-25	2016-10-26	2016-10-27	2016-10-28	2016-10-29	2016-10-30	2016-10-31	2016-11-01	2016-11-02	2016-11-03	2016-11-04	2016-11-05	2016-11-06	2016-11-07	2016-11-08	2016-11-09	2016-11-10	2016-11-11	2016-11-12	2016-11-13	2016-11-14	2016-11-15	2016-11-16	2016-11-17	2016-11-18	2016-11-19	2016-11-20	2016-11-21	2016-11-22	2016-11-23	2016-11-24	2016-11-25	2016-11-26	2016-11-27	2016-11-28	2016-11-29	2016-11-30	2016-12-01	2016-12-02	2016-12-03	2016-12-04	2016-12-05	2016-12-06	2016-12-07	2016-12-08	2016-12-09	2016-12-10	2016-12-11	2016-12-12	2016-12-13	2016-12-14	2016-12-15	2016-12-16	2016-12-17	2016-12-18	2016-12-19	2016-12-20	2016-12-21	2016-12-22	2016-12-23	2016-12-24	2016-12-25	2016-12-26	2016-12-27	2016-12-28	2016-12-29	2016-12-30	2016-12-31	language
0	18.0	11.0	5.0	13.0	14.0	9.0	9.0	22.0	26.0	24.0	19.0	10.0	14.0	15.0	8.0	16.0	8.0	8.0	16.0	7.0	11.0	10.0	20.0	18.0	15.0	14.0	49.0	10.0	16.0	18.0	8.0	5.0	9.0	7.0	13.0	9.0	7.0	4.0	11.0	10.0	5.0	9.0	9.0	9.0	9.0	13.0	4.0	15.0	25.0	9.0	5.0	6.0	20.0	3.0	14.0	46.0	5.0	5.0	13.0	4.0	9.0	10.0	9.0	11.0	11.0	11.0	9.0	15.0	5.0	10.0	7.0	4.0	8.0	9.0	10.0	6.0	13.0	16.0	6.0	24.0	9.0	11.0	12.0	8.0	14.0	6.0	6.0	11.0	14.0	6.0	10.0	20.0	7.0	15.0	8.0	15.0	5.0	8.0	8.0	5.0	11.0	165.0	34.0	6.0	13.0	8.0	9.0	11.0	26.0	18.0	3.0	5.0	12.0	6.0	16.0	19.0	9.0	10.0	11.0	11.0	7.0	9.0	10.0	24.0	6.0	6.0	8.0	16.0	13.0	10.0	10.0	6.0	5.0	20.0	6.0	47.0	9.0	9.0	12.0	11.0	17.0	15.0	14.0	11.0	97.0	11.0	12.0	11.0	14.0	15.0	12.0	104.0	5.0	22.0	45.0	75.0	29.0	34.0	20.0	12.0	25.0	9.0	62.0	20.0	19.0	8.0	23.0	13.0	16.0	34.0	36.0	11.0	18.0	12.0	24.0	30.0	27.0	44.0	35.0	53.0	11.0	26.0	13.0	18.0	9.0	16.0	6.0	19.0	20.0	19.0	22.0	30.0	14.0	16.0	22.0	15.0	15.0	26.0	16.0	13.0	27.0	18.0	13.0	32.0	31.0	16.0	38.0	18.0	9.0	14.0	10.0	24.0	8.0	15.0	18.0	10.0	23.0	17.0	11.0	26.0	14.0	8.0	12.0	9.0	11.0	34.0	17.0	29.0	11.0	9.0	14.0	21.0	12.0	11.0	13.0	11.0	13.0	16.0	13.0	19.0	21.0	14.0	11.0	35.0	18.0	42.0	15.0	5.0	21.0	56.0	9.0	20.0	17.0	18.0	8.0	9.0	17.0	9.0	10.0	14.0	17.0	6.0	18.0	13.0	11.0	12.0	11.0	8.0	15.0	11.0	20.0	59.0	11.0	18.0	17.0	12.0	14.0	13.0	9.0	490.0	189.0	102.0	38.0	126.0	71.0	21.0	57.0	79.0	17.0	17.0	23.0	16.0	23.0	18.0	22.0	44.0	6.0	31.0	17.0	25.0	40.0	19.0	15.0	15.0	29.0	18.0	16.0	13.0	20.0	22.0	19.0	11.0	50.0	22.0	39.0	23.0	21.0	23.0	22.0	16.0	19.0	35.0	16.0	12.0	15.0	13.0	14.0	10.0	21.0	20.0	19.0	14.0	12.0	15.0	17.0	16.0	21.0	27.0	13.0	11.0	15.0	14.0	18.0	18.0	10.0	11.0	14.0	18.0	14.0	13.0	17.0	15.0	14.0	234.0	8.0	62.0	26.0	22.0	8.0	22.0	15.0	69.0	11.0	18.0	23.0	12.0	20.0	17.0	15.0	16.0	18.0	21.0	15.0	30.0	115.0	56.0	45.0	17.0	18.0	15.0	18.0	14.0	15.0	15.0	24.0	22.0	18.0	30.0	12.0	13.0	18.0	17.0	31.0	26.0	29.0	12.0	19.0	19.0	57.0	17.0	20.0	49.0	10.0	19.0	26.0	41.0	23.0	30.0	55.0	17.0	24.0	14.0	12.0	49.0	42.0	37.0	13.0	30.0	20.0	33.0	20.0	14.0	40.0	15.0	18.0	26.0	8.0	25.0	21.0	20.0	25.0	19.0	23.0	18.0	19.0	18.0	55.0	16.0	65.0	11.0	11.0	13.0	20.0	21.0	13.0	24.0	20.0	13.0	32.0	16.0	10.0	13.0	44.0	17.0	13.0	72.0	40.0	19.0	14.0	13.0	12.0	14.0	10.0	26.0	13.0	22.0	14.0	23.0	12.0	8.0	50.0	13.0	10.0	16.0	14.0	10.0	24.0	10.0	20.0	10.0	26.0	25.0	16.0	19.0	20.0	12.0	19.0	50.0	16.0	30.0	18.0	25.0	14.0	20.0	8.0	67.0	13.0	41.0	10.0	21.0	13.0	8.0	15.0	14.0	12.0	6.0	11.0	10.0	42.0	21.0	24.0	14.0	11.0	204.0	14.0	45.0	33.0	28.0	18.0	14.0	47.0	15.0	14.0	18.0	20.0	14.0	16.0	14.0	20.0	60.0	22.0	15.0	17.0	19.0	18.0	21.0	21.0	47.0	65.0	17.0	32.0	63.0	15.0	26.0	14.0	20.0	22.0	19.0	18.0	20.0	zh
1	11.0	14.0	15.0	18.0	11.0	13.0	22.0	11.0	10.0	4.0	41.0	65.0	57.0	38.0	20.0	62.0	44.0	15.0	10.0	47.0	24.0	17.0	22.0	9.0	39.0	13.0	11.0	12.0	21.0	19.0	9.0	15.0	33.0	8.0	8.0	7.0	13.0	2.0	23.0	12.0	27.0	27.0	36.0	23.0	58.0	80.0	60.0	69.0	42.0	161.0	94.0	77.0	78.0	20.0	24.0	13.0	14.0	26.0	8.0	82.0	22.0	11.0	81.0	37.0	9.0	40.0	47.0	18.0	23.0	6.0	2.0	7.0	16.0	10.0	34.0	14.0	31.0	20.0	23.0	14.0	16.0	34.0	15.0	30.0	13.0	30.0	15.0	25.0	17.0	8.0	12.0	17.0	10.0	21.0	18.0	30.0	13.0	7.0	15.0	23.0	20.0	15.0	9.0	47.0	14.0	11.0	16.0	12.0	7.0	15.0	14.0	12.0	18.0	29.0	39.0	11.0	14.0	28.0	17.0	20.0	17.0	36.0	13.0	11.0	14.0	14.0	14.0	33.0	14.0	13.0	18.0	13.0	11.0	8.0	10.0	11.0	81.0	14.0	20.0	6.0	16.0	18.0	9.0	12.0	10.0	8.0	11.0	14.0	47.0	13.0	13.0	6.0	10.0	8.0	8.0	8.0	18.0	31.0	16.0	15.0	10.0	13.0	9.0	32.0	161.0	6.0	20.0	8.0	11.0	13.0	8.0	19.0	7.0	9.0	16.0	11.0	6.0	38.0	11.0	17.0	13.0	12.0	12.0	9.0	7.0	15.0	14.0	14.0	11.0	13.0	12.0	12.0	24.0	15.0	38.0	18.0	26.0	15.0	12.0	14.0	40.0	19.0	13.0	39.0	19.0	16.0	19.0	11.0	76.0	14.0	19.0	26.0	19.0	17.0	30.0	17.0	17.0	17.0	19.0	11.0	175.0	10.0	5.0	12.0	7.0	12.0	14.0	19.0	11.0	19.0	17.0	15.0	19.0	15.0	9.0	20.0	6.0	11.0	6.0	15.0	20.0	35.0	34.0	21.0	17.0	22.0	26.0	16.0	16.0	28.0	19.0	17.0	15.0	11.0	7.0	15.0	11.0	36.0	16.0	22.0	18.0	46.0	17.0	15.0	17.0	12.0	17.0	14.0	15.0	14.0	15.0	28.0	36.0	23.0	12.0	25.0	18.0	18.0	16.0	20.0	17.0	16.0	13.0	15.0	19.0	14.0	20.0	37.0	16.0	15.0	11.0	42.0	10.0	14.0	61.0	39.0	17.0	17.0	41.0	35.0	16.0	9.0	64.0	22.0	22.0	66.0	33.0	30.0	16.0	18.0	45.0	17.0	88.0	23.0	18.0	12.0	12.0	13.0	13.0	5.0	11.0	13.0	11.0	22.0	10.0	13.0	17.0	10.0	14.0	18.0	9.0	16.0	17.0	6.0	15.0	18.0	10.0	11.0	16.0	10.0	12.0	12.0	13.0	9.0	16.0	19.0	19.0	11.0	15.0	10.0	20.0	25.0	9.0	14.0	10.0	14.0	18.0	25.0	13.0	24.0	14.0	13.0	14.0	24.0	16.0	15.0	13.0	11.0	12.0	28.0	28.0	17.0	27.0	48.0	184.0	64.0	24.0	92.0	31.0	34.0	49.0	21.0	36.0	32.0	16.0	16.0	19.0	22.0	22.0	19.0	18.0	18.0	17.0	35.0	49.0	19.0	25.0	24.0	39.0	19.0	29.0	30.0	16.0	54.0	15.0	39.0	19.0	17.0	60.0	12.0	77.0	63.0	12.0	9.0	34.0	30.0	13.0	20.0	29.0	10.0	14.0	23.0	15.0	12.0	25.0	22.0	144.0	31.0	31.0	17.0	66.0	78.0	19.0	44.0	43.0	35.0	13.0	13.0	25.0	15.0	37.0	38.0	22.0	28.0	19.0	46.0	24.0	22.0	43.0	58.0	26.0	20.0	27.0	35.0	20.0	31.0	24.0	24.0	94.0	18.0	20.0	18.0	16.0	38.0	54.0	29.0	49.0	25.0	72.0	144.0	36.0	97.0	179.0	29.0	12.0	21.0	42.0	53.0	41.0	19.0	25.0	19.0	15.0	21.0	21.0	27.0	33.0	15.0	24.0	13.0	11.0	14.0	26.0	11.0	21.0	14.0	14.0	54.0	5.0	10.0	12.0	11.0	14.0	28.0	23.0	20.0	9.0	12.0	11.0	14.0	14.0	15.0	15.0	11.0	20.0	13.0	19.0	621.0	57.0	17.0	23.0	19.0	21.0	47.0	28.0	22.0	22.0	65.0	27.0	17.0	17.0	13.0	9.0	18.0	22.0	17.0	15.0	22.0	23.0	19.0	17.0	42.0	28.0	15.0	9.0	30.0	52.0	45.0	26.0	20.0	zh
2	1.0	0.0	1.0	1.0	0.0	4.0	0.0	3.0	4.0	4.0	1.0	1.0	1.0	6.0	8.0	6.0	4.0	5.0	1.0	2.0	3.0	8.0	8.0	6.0	6.0	2.0	2.0	3.0	2.0	4.0	3.0	3.0	5.0	3.0	5.0	4.0	2.0	5.0	1.0	4.0	5.0	0.0	0.0	7.0	3.0	5.0	1.0	6.0	2.0	5.0	0.0	3.0	1.0	0.0	1.0	1.0	2.0	4.0	2.0	1.0	1.0	3.0	4.0	3.0	6.0	6.0	4.0	3.0	3.0	2.0	9.0	7.0	2.0	3.0	1.0	3.0	1.0	6.0	7.0	1.0	2.0	5.0	2.0	3.0	8.0	5.0	0.0	4.0	1.0	5.0	3.0	0.0	1.0	8.0	2.0	1.0	3.0	0.0	0.0	5.0	3.0	3.0	0.0	2.0	5.0	2.0	5.0	10.0	5.0	6.0	1.0	4.0	4.0	1.0	3.0	13.0	2.0	1.0	3.0	2.0	1.0	10.0	5.0	6.0	2.0	5.0	2.0	2.0	3.0	2.0	6.0	3.0	2.0	1.0	2.0	3.0	1.0	1.0	2.0	2.0	3.0	2.0	2.0	5.0	7.0	2.0	3.0	4.0	6.0	1.0	3.0	6.0	3.0	3.0	4.0	2.0	2.0	4.0	3.0	1.0	5.0	5.0	4.0	2.0	4.0	5.0	4.0	2.0	1.0	6.0	1.0	1.0	3.0	1.0	3.0	5.0	3.0	3.0	0.0	5.0	3.0	2.0	2.0	2.0	2.0	0.0	3.0	3.0	3.0	4.0	4.0	8.0	3.0	5.0	8.0	1.0	4.0	0.0	3.0	6.0	3.0	1.0	3.0	3.0	3.0	1.0	3.0	8.0	4.0	3.0	2.0	5.0	6.0	3.0	6.0	5.0	6.0	7.0	3.0	1.0	5.0	1.0	2.0	0.0	1.0	4.0	3.0	3.0	9.0	4.0	7.0	5.0	10.0	2.0	3.0	3.0	4.0	2.0	3.0	5.0	3.0	6.0	4.0	5.0	5.0	2.0	1.0	4.0	7.0	2.0	2.0	5.0	1.0	0.0	3.0	3.0	1.0	2.0	4.0	2.0	2.0	3.0	4.0	7.0	1.0	1.0	10.0	9.0	5.0	1.0	6.0	7.0	4.0	6.0	2.0	4.0	155.0	155.0	83.0	48.0	31.0	16.0	6.0	13.0	8.0	8.0	5.0	7.0	3.0	4.0	6.0	7.0	10.0	9.0	7.0	8.0	4.0	6.0	5.0	2.0	7.0	3.0	7.0	6.0	3.0	1.0	6.0	2.0	1.0	3.0	8.0	3.0	5.0	4.0	7.0	5.0	2.0	5.0	0.0	3.0	12.0	4.0	2.0	4.0	6.0	4.0	5.0	9.0	4.0	5.0	7.0	1.0	5.0	1.0	5.0	4.0	5.0	7.0	7.0	5.0	3.0	4.0	1.0	9.0	3.0	4.0	6.0	2.0	2.0	1.0	16.0	6.0	3.0	3.0	6.0	1.0	6.0	1.0	4.0	3.0	5.0	1.0	6.0	5.0	1.0	4.0	5.0	4.0	2.0	4.0	3.0	4.0	2.0	0.0	1.0	3.0	12.0	4.0	7.0	5.0	6.0	6.0	6.0	3.0	3.0	3.0	5.0	5.0	2.0	11.0	6.0	2.0	2.0	3.0	7.0	5.0	4.0	5.0	3.0	3.0	9.0	7.0	2.0	1.0	5.0	6.0	7.0	13.0	3.0	5.0	6.0	2.0	4.0	1.0	2.0	7.0	2.0	2.0	4.0	4.0	2.0	5.0	3.0	2.0	3.0	5.0	4.0	2.0	5.0	7.0	5.0	2.0	7.0	6.0	11.0	10.0	5.0	19.0	7.0	11.0	4.0	10.0	3.0	4.0	6.0	3.0	4.0	8.0	10.0	3.0	3.0	1.0	10.0	5.0	4.0	4.0	3.0	4.0	1.0	3.0	6.0	6.0	6.0	3.0	5.0	11.0	6.0	3.0	7.0	6.0	0.0	2.0	4.0	4.0	3.0	6.0	4.0	3.0	4.0	1.0	6.0	5.0	5.0	2.0	3.0	3.0	2.0	2.0	6.0	1.0	3.0	3.0	3.0	2.0	10.0	2.0	2.0	2.0	7.0	3.0	6.0	4.0	2.0	4.0	6.0	5.0	4.0	4.0	3.0	3.0	9.0	3.0	5.0	4.0	0.0	1.0	4.0	5.0	8.0	8.0	1.0	1.0	2.0	5.0	3.0	3.0	3.0	7.0	3.0	9.0	8.0	3.0	210.0	5.0	4.0	6.0	2.0	2.0	4.0	3.0	3.0	1.0	1.0	7.0	4.0	4.0	6.0	3.0	4.0	17.0	zh
3	35.0	13.0	10.0	94.0	4.0	26.0	14.0	9.0	11.0	16.0	16.0	11.0	23.0	145.0	14.0	17.0	85.0	4.0	30.0	22.0	9.0	10.0	11.0	7.0	7.0	11.0	9.0	11.0	44.0	8.0	14.0	19.0	10.0	17.0	17.0	10.0	7.0	10.0	1.0	8.0	27.0	19.0	16.0	2.0	84.0	22.0	14.0	47.0	25.0	14.0	11.0	12.0	27.0	8.0	17.0	43.0	3.0	19.0	14.0	20.0	43.0	4.0	5.0	37.0	23.0	14.0	12.0	13.0	22.0	12.0	12.0	6.0	27.0	5.0	7.0	24.0	8.0	9.0	10.0	12.0	19.0	7.0	7.0	18.0	15.0	7.0	9.0	10.0	9.0	14.0	8.0	17.0	6.0	8.0	7.0	5.0	3.0	9.0	5.0	6.0	8.0	8.0	11.0	6.0	7.0	28.0	15.0	8.0	7.0	7.0	12.0	5.0	11.0	3.0	7.0	23.0	6.0	3.0	8.0	8.0	39.0	4.0	10.0	6.0	8.0	9.0	16.0	9.0	8.0	8.0	7.0	5.0	5.0	12.0	8.0	15.0	9.0	12.0	5.0	7.0	6.0	12.0	7.0	6.0	33.0	5.0	11.0	6.0	4.0	32.0	9.0	17.0	2.0	10.0	10.0	5.0	7.0	11.0	8.0	10.0	6.0	17.0	11.0	20.0	11.0	15.0	18.0	10.0	15.0	12.0	12.0	12.0	8.0	13.0	9.0	11.0	4.0	12.0	9.0	6.0	12.0	9.0	9.0	6.0	7.0	7.0	11.0	7.0	14.0	9.0	21.0	9.0	10.0	13.0	10.0	13.0	16.0	8.0	10.0	7.0	13.0	18.0	8.0	50.0	8.0	33.0	6.0	22.0	9.0	84.0	28.0	11.0	7.0	14.0	16.0	49.0	71.0	29.0	22.0	6.0	34.0	16.0	14.0	9.0	12.0	24.0	18.0	8.0	26.0	8.0	8.0	13.0	21.0	9.0	10.0	14.0	12.0	9.0	10.0	20.0	15.0	26.0	24.0	19.0	10.0	12.0	8.0	16.0	13.0	8.0	17.0	12.0	34.0	10.0	9.0	9.0	15.0	10.0	12.0	8.0	11.0	9.0	28.0	17.0	11.0	13.0	10.0	10.0	10.0	16.0	12.0	12.0	13.0	25.0	25.0	18.0	18.0	23.0	27.0	39.0	11.0	16.0	9.0	26.0	14.0	15.0	10.0	23.0	17.0	74.0	114.0	8.0	15.0	15.0	15.0	12.0	14.0	14.0	23.0	21.0	11.0	19.0	9.0	10.0	11.0	14.0	9.0	5.0	10.0	20.0	22.0	16.0	9.0	10.0	42.0	22.0	7.0	7.0	54.0	7.0	9.0	13.0	5.0	10.0	12.0	18.0	23.0	23.0	17.0	6.0	14.0	13.0	13.0	9.0	11.0	35.0	8.0	12.0	15.0	10.0	25.0	9.0	8.0	8.0	10.0	14.0	9.0	11.0	303.0	29.0	121.0	69.0	39.0	25.0	27.0	54.0	39.0	24.0	22.0	20.0	14.0	12.0	8.0	17.0	11.0	15.0	19.0	20.0	11.0	36.0	19.0	35.0	22.0	14.0	17.0	15.0	12.0	34.0	20.0	25.0	15.0	18.0	19.0	13.0	17.0	16.0	11.0	22.0	43.0	8.0	13.0	16.0	8.0	19.0	14.0	9.0	13.0	13.0	16.0	10.0	10.0	11.0	17.0	32.0	21.0	16.0	23.0	15.0	55.0	17.0	17.0	15.0	7.0	13.0	11.0	11.0	8.0	22.0	5.0	7.0	18.0	9.0	13.0	27.0	15.0	19.0	7.0	9.0	14.0	14.0	9.0	16.0	11.0	7.0	14.0	13.0	11.0	9.0	9.0	9.0	11.0	15.0	28.0	10.0	24.0	8.0	20.0	19.0	12.0	31.0	14.0	9.0	40.0	15.0	83.0	60.0	19.0	15.0	15.0	12.0	23.0	17.0	20.0	26.0	11.0	13.0	9.0	44.0	7.0	18.0	4.0	36.0	34.0	10.0	8.0	21.0	7.0	6.0	12.0	15.0	9.0	13.0	21.0	13.0	10.0	21.0	15.0	103.0	22.0	15.0	12.0	11.0	15.0	7.0	12.0	13.0	9.0	8.0	21.0	16.0	38.0	13.0	14.0	17.0	26.0	14.0	10.0	9.0	23.0	15.0	7.0	10.0	7.0	10.0	14.0	17.0	11.0	9.0	11.0	5.0	10.0	8.0	17.0	13.0	23.0	40.0	16.0	17.0	41.0	17.0	8.0	9.0	18.0	12.0	12.0	18.0	13.0	18.0	23.0	10.0	32.0	10.0	26.0	27.0	16.0	11.0	17.0	19.0	10.0	11.0	zh
4	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	5.0	38.0	159.0	9.0	4.0	1.0	10.0	9.0	2.0	0.0	5.0	0.0	3.0	55.0	234.0	57.0	5.0	4.0	4.0	0.0	9.0	9.0	6.0	6.0	6.0	10.0	7.0	5.0	4.0	6.0	4.0	2.0	6.0	5.0	3.0	3.0	2.0	5.0	5.0	8.0	8.0	6.0	3.0	7.0	7.0	6.0	6.0	2.0	8.0	3.0	7.0	8.0	3.0	4.0	5.0	2.0	1.0	1.0	1.0	2.0	8.0	6.0	1.0	0.0	4.0	2.0	6.0	2.0	2.0	2.0	1.0	5.0	2.0	2.0	2.0	3.0	10.0	1.0	3.0	4.0	2.0	3.0	4.0	1.0	1.0	9.0	0.0	1.0	6.0	2.0	5.0	2.0	2.0	3.0	2.0	11.0	1.0	4.0	4.0	2.0	10.0	5.0	3.0	10.0	2.0	5.0	7.0	2.0	5.0	8.0	2.0	5.0	1.0	1.0	2.0	6.0	6.0	2.0	1.0	3.0	2.0	3.0	4.0	3.0	2.0	0.0	13.0	4.0	2.0	4.0	3.0	3.0	1.0	3.0	5.0	2.0	3.0	2.0	4.0	3.0	39.0	4.0	3.0	1.0	5.0	5.0	5.0	5.0	8.0	15.0	13.0	63.0	2.0	2.0	3.0	6.0	10.0	2.0	8.0	4.0	3.0	3.0	6.0	4.0	1.0	5.0	9.0	1.0	6.0	4.0	0.0	4.0	9.0	6.0	8.0	13.0	4.0	7.0	6.0	9.0	3.0	21.0	6.0	13.0	10.0	2.0	3.0	6.0	7.0	10.0	6.0	6.0	4.0	173.0	5.0	10.0	10.0	18.0	20.0	11.0	5.0	6.0	33.0	13.0	10.0	22.0	11.0	8.0	4.0	10.0	13.0	11.0	8.0	6.0	10.0	14.0	6.0	9.0	6.0	16.0	14.0	13.0	15.0	14.0	16.0	9.0	178.0	64.0	12.0	10.0	11.0	6.0	8.0	7.0	9.0	8.0	5.0	11.0	8.0	4.0	15.0	5.0	8.0	8.0	6.0	7.0	15.0	4.0	11.0	7.0	48.0	9.0	25.0	13.0	3.0	11.0	27.0	13.0	36.0	10.0	zh

	2015-07-01	2015-07-02	2015-07-03	2015-07-04	2015-07-05	2015-07-06	2015-07-07	2015-07-08	2015-07-09	2015-07-10	2015-07-11	2015-07-12	2015-07-13	2015-07-14	2015-07-15	2015-07-16	2015-07-17	2015-07-18	2015-07-19	2015-07-20	2015-07-21	2015-07-22	2015-07-23	2015-07-24	2015-07-25	2015-07-26	2015-07-27	2015-07-28	2015-07-29	2015-07-30	2015-07-31	2015-08-01	2015-08-02	2015-08-03	2015-08-04	2015-08-05	2015-08-06	2015-08-07	2015-08-08	2015-08-09	2015-08-10	2015-08-11	2015-08-12	2015-08-13	2015-08-14	2015-08-15	2015-08-16	2015-08-17	2015-08-18	2015-08-19	2015-08-20	2015-08-21	2015-08-22	2015-08-23	2015-08-24	2015-08-25	2015-08-26	2015-08-27	2015-08-28	2015-08-29	2015-08-30	2015-08-31	2015-09-01	2015-09-02	2015-09-03	2015-09-04	2015-09-05	2015-09-06	2015-09-07	2015-09-08	2015-09-09	2015-09-10	2015-09-11	2015-09-12	2015-09-13	2015-09-14	2015-09-15	2015-09-16	2015-09-17	2015-09-18	2015-09-19	2015-09-20	2015-09-21	2015-09-22	2015-09-23	2015-09-24	2015-09-25	2015-09-26	2015-09-27	2015-09-28	2015-09-29	2015-09-30	2015-10-01	2015-10-02	2015-10-03	2015-10-04	2015-10-05	2015-10-06	2015-10-07	2015-10-08	2015-10-09	2015-10-10	2015-10-11	2015-10-12	2015-10-13	2015-10-14	2015-10-15	2015-10-16	2015-10-17	2015-10-18	2015-10-19	2015-10-20	2015-10-21	2015-10-22	2015-10-23	2015-10-24	2015-10-25	2015-10-26	2015-10-27	2015-10-28	2015-10-29	2015-10-30	2015-10-31	2015-11-01	2015-11-02	2015-11-03	2015-11-04	2015-11-05	2015-11-06	2015-11-07	2015-11-08	2015-11-09	2015-11-10	2015-11-11	2015-11-12	2015-11-13	2015-11-14	2015-11-15	2015-11-16	2015-11-17	2015-11-18	2015-11-19	2015-11-20	2015-11-21	2015-11-22	2015-11-23	2015-11-24	2015-11-25	2015-11-26	2015-11-27	2015-11-28	2015-11-29	2015-11-30	2015-12-01	2015-12-02	2015-12-03	2015-12-04	2015-12-05	2015-12-06	2015-12-07	2015-12-08	2015-12-09	2015-12-10	2015-12-11	2015-12-12	2015-12-13	2015-12-14	2015-12-15	2015-12-16	2015-12-17	2015-12-18	2015-12-19	2015-12-20	2015-12-21	2015-12-22	2015-12-23	2015-12-24	2015-12-25	2015-12-26	2015-12-27	2015-12-28	2015-12-29	2015-12-30	2015-12-31	2016-01-01	2016-01-02	2016-01-03	2016-01-04	2016-01-05	2016-01-06	2016-01-07	2016-01-08	2016-01-09	2016-01-10	2016-01-11	2016-01-12	2016-01-13	2016-01-14	2016-01-15	2016-01-16	2016-01-17	2016-01-18	2016-01-19	2016-01-20	2016-01-21	2016-01-22	2016-01-23	2016-01-24	2016-01-25	2016-01-26	2016-01-27	2016-01-28	2016-01-29	2016-01-30	2016-01-31	2016-02-01	2016-02-02	2016-02-03	2016-02-04	2016-02-05	2016-02-06	2016-02-07	2016-02-08	2016-02-09	2016-02-10	2016-02-11	2016-02-12	2016-02-13	2016-02-14	2016-02-15	2016-02-16	2016-02-17	2016-02-18	2016-02-19	2016-02-20	2016-02-21	2016-02-22	2016-02-23	2016-02-24	2016-02-25	2016-02-26	2016-02-27	2016-02-28	2016-02-29	2016-03-01	2016-03-02	2016-03-03	2016-03-04	2016-03-05	2016-03-06	2016-03-07	2016-03-08	2016-03-09	2016-03-10	2016-03-11	2016-03-12	2016-03-13	2016-03-14	2016-03-15	2016-03-16	2016-03-17	2016-03-18	2016-03-19	2016-03-20	2016-03-21	2016-03-22	2016-03-23	2016-03-24	2016-03-25	2016-03-26	2016-03-27	2016-03-28	2016-03-29	2016-03-30	2016-03-31	2016-04-01	2016-04-02	2016-04-03	2016-04-04	2016-04-05	2016-04-06	2016-04-07	2016-04-08	2016-04-09	2016-04-10	2016-04-11	2016-04-12	2016-04-13	2016-04-14	2016-04-15	2016-04-16	2016-04-17	2016-04-18	2016-04-19	2016-04-20	2016-04-21	2016-04-22	2016-04-23	2016-04-24	2016-04-25	2016-04-26	2016-04-27	2016-04-28	2016-04-29	2016-04-30	2016-05-01	2016-05-02	2016-05-03	2016-05-04	2016-05-05	2016-05-06	2016-05-07	2016-05-08	2016-05-09	2016-05-10	2016-05-11	2016-05-12	2016-05-13	2016-05-14	2016-05-15	2016-05-16	2016-05-17	2016-05-18	2016-05-19	2016-05-20	2016-05-21	2016-05-22	2016-05-23	2016-05-24	2016-05-25	2016-05-26	2016-05-27	2016-05-28	2016-05-29	2016-05-30	2016-05-31	2016-06-01	2016-06-02	2016-06-03	2016-06-04	2016-06-05	2016-06-06	2016-06-07	2016-06-08	2016-06-09	2016-06-10	2016-06-11	2016-06-12	2016-06-13	2016-06-14	2016-06-15	2016-06-16	2016-06-17	2016-06-18	2016-06-19	2016-06-20	2016-06-21	2016-06-22	2016-06-23	2016-06-24	2016-06-25	2016-06-26	2016-06-27	2016-06-28	2016-06-29	2016-06-30	2016-07-01	2016-07-02	2016-07-03	2016-07-04	2016-07-05	2016-07-06	2016-07-07	2016-07-08	2016-07-09	2016-07-10	2016-07-11	2016-07-12	2016-07-13	2016-07-14	2016-07-15	2016-07-16	2016-07-17	2016-07-18	2016-07-19	2016-07-20	2016-07-21	2016-07-22	2016-07-23	2016-07-24	2016-07-25	2016-07-26	2016-07-27	2016-07-28	2016-07-29	2016-07-30	2016-07-31	2016-08-01	2016-08-02	2016-08-03	2016-08-04	2016-08-05	2016-08-06	2016-08-07	2016-08-08	2016-08-09	2016-08-10	2016-08-11	2016-08-12	2016-08-13	2016-08-14	2016-08-15	2016-08-16	2016-08-17	2016-08-18	2016-08-19	2016-08-20	2016-08-21	2016-08-22	2016-08-23	2016-08-24	2016-08-25	2016-08-26	2016-08-27	2016-08-28	2016-08-29	2016-08-30	2016-08-31	2016-09-01	2016-09-02	2016-09-03	2016-09-04	2016-09-05	2016-09-06	2016-09-07	2016-09-08	2016-09-09	2016-09-10	2016-09-11	2016-09-12	2016-09-13	2016-09-14	2016-09-15	2016-09-16	2016-09-17	2016-09-18	2016-09-19	2016-09-20	2016-09-21	2016-09-22	2016-09-23	2016-09-24	2016-09-25	2016-09-26	2016-09-27	2016-09-28	2016-09-29	2016-09-30	2016-10-01	2016-10-02	2016-10-03	2016-10-04	2016-10-05	2016-10-06	2016-10-07	2016-10-08	2016-10-09	2016-10-10	2016-10-11	2016-10-12	2016-10-13	2016-10-14	2016-10-15	2016-10-16	2016-10-17	2016-10-18	2016-10-19	2016-10-20	2016-10-21	2016-10-22	2016-10-23	2016-10-24	2016-10-25	2016-10-26	2016-10-27	2016-10-28	2016-10-29	2016-10-30	2016-10-31	2016-11-01	2016-11-02	2016-11-03	2016-11-04	2016-11-05	2016-11-06	2016-11-07	2016-11-08	2016-11-09	2016-11-10	2016-11-11	2016-11-12	2016-11-13	2016-11-14	2016-11-15	2016-11-16	2016-11-17	2016-11-18	2016-11-19	2016-11-20	2016-11-21	2016-11-22	2016-11-23	2016-11-24	2016-11-25	2016-11-26	2016-11-27	2016-11-28	2016-11-29	2016-11-30	2016-12-01	2016-12-02	2016-12-03	2016-12-04	2016-12-05	2016-12-06	2016-12-07	2016-12-08	2016-12-09	2016-12-10	2016-12-11	2016-12-12	2016-12-13	2016-12-14	2016-12-15	2016-12-16	2016-12-17	2016-12-18	2016-12-19	2016-12-20	2016-12-21	2016-12-22	2016-12-23	2016-12-24	2016-12-25	2016-12-26	2016-12-27	2016-12-28	2016-12-29	2016-12-30	2016-12-31
language
NA	124.284493	128.301077	123.393474	111.330127	119.047298	130.555252	135.840366	139.953745	127.215591	128.105765	106.282181	108.629682	120.425034	130.504795	135.777781	132.082497	140.784296	130.648663	123.435131	123.507023	143.138679	150.970555	137.581002	132.231498	123.833653	119.890540	141.104862	135.682423	142.142063	137.356639	203.751495	135.085740	212.990326	134.755133	151.294449	153.789288	170.970640	169.060554	199.832497	156.986236	176.160537	185.184313	150.668660	166.430449	161.603621	209.460261	182.001579	162.709781	165.085599	168.217819	158.158901	141.881684	114.433072	115.736744	132.665191	130.867357	125.115806	130.249069	124.093017	116.659550	125.653035	125.869387	130.325530	151.835966	143.698866	137.851083	144.087912	135.023466	147.500000	146.867103	141.728960	143.034804	132.072259	119.450869	119.142599	128.656899	133.272873	140.771661	137.654924	140.401935	130.408817	122.500931	135.212771	132.646773	132.266104	140.938290	134.212150	124.036496	121.631177	146.725011	140.812303	147.355257	150.213589	141.980737	127.792926	134.280573	141.687274	138.225491	134.298821	135.318338	133.018163	123.957835	119.842537	137.159860	133.445341	136.307000	139.993654	135.124323	132.468101	140.572089	147.281899	148.407576	140.701546	141.926444	135.255951	121.137325	123.640935	135.872208	140.116821	147.608078	139.501044	136.753018	121.360954	126.556464	137.211925	134.239198	132.125254	132.767656	129.086050	120.297016	123.229270	135.725914	140.468468	131.426444	132.404276	127.988013	121.748167	130.217255	137.498054	145.269912	145.976506	146.699825	140.489649	125.834866	130.837799	134.686033	136.552629	136.281024	144.882192	130.099898	121.522902	126.437923	137.045521	142.942154	146.848714	142.221204	142.248392	130.922411	128.854580	146.515540	141.374436	157.992667	145.448415	143.150637	147.565800	128.142966	138.295719	143.125536	152.051275	147.091353	137.872349	127.891104	129.832074	146.682226	142.553926	142.797383	125.874803	120.229214	133.587602	138.249746	143.299865	144.322202	150.514046	127.482288	127.490806	144.209245	129.993005	143.234967	150.962771	174.963560	148.283873	145.038837	132.721965	134.607457	151.606216	143.223150	144.043180	142.256092	139.198838	131.364198	136.259223	155.244557	160.360052	170.642092	160.122349	154.755274	141.315320	139.424667	158.025581	164.351337	148.041601	146.605991	141.141781	132.588871	138.980680	153.899284	152.293096	156.795831	152.199176	165.283986	152.033676	156.615072	180.018107	168.672129	160.971063	196.406955	162.961248	143.973629	137.575502	147.808439	148.371051	148.636817	147.600716	145.274989	137.295126	160.820538	146.198274	150.372744	161.127454	170.773071	167.778007	148.388228	162.828830	164.373533	167.159747	169.700079	168.698556	168.207638	168.053475	166.193677	172.267120	173.342932	160.832045	150.306775	149.351619	139.613775	134.824741	144.778345	144.046480	141.133123	144.752454	137.442746	135.563713	131.564051	142.063487	156.965055	163.523014	145.448725	146.601139	153.235757	139.512325	167.166347	172.524058	174.525609	170.097417	161.154981	148.045183	156.774058	158.102691	172.834161	176.666009	165.698076	163.031024	175.149791	200.528824	159.919901	161.762917	162.208991	168.151173	185.813233	153.771689	166.452787	172.925147	177.952617	182.122546	185.417306	180.352127	185.316392	212.245318	211.659663	210.192605	217.748505	218.268079	196.500677	171.144376	192.926839	204.960204	199.689249	197.021548	244.208286	291.852916	273.652273	279.870741	305.856949	266.375959	186.767825	178.339999	171.962940	158.736970	174.999774	181.815574	180.057028	173.047101	172.281842	159.959245	162.701489	166.147704	174.638340	175.057649	181.016302	230.111772	193.151004	161.050598	153.065546	169.739198	181.857796	192.837884	189.936654	176.258518	166.261084	177.049836	182.639243	173.883546	149.842594	176.554913	157.818423	174.702420	174.313036	202.186259	196.792926	206.188120	209.551472	190.999633	195.363718	226.506882	190.505077	170.158140	170.936654	180.812133	157.793716	192.657858	206.097191	145.114677	142.885097	156.764271	165.287539	168.491454	129.500226	132.320284	123.026681	114.121192	129.166065	145.410283	138.699994	113.495036	102.336417	130.933157	121.265935	122.778486	116.205438	156.593806	114.482429	101.953097	170.084866	150.969906	120.288075	128.178644	133.338278	116.875705	155.379061	192.369557	139.642402	119.613859	121.161665	123.299442	106.237900	173.539062	128.093947	152.183636	159.600209	141.533563	154.260746	145.140963	139.282237	158.018784	142.799075	173.042419	149.535058	133.949374	128.700220	130.749295	133.907265	157.195425	208.155742	181.701517	147.972811	127.808833	114.633264	128.025045	138.558551	181.432903	146.212291	168.606047	171.426500	182.853255	151.572625	156.936682	225.175767	237.204817	344.097332	292.221401	361.382023	178.841353	219.798257	210.732401	190.909127	179.138002	184.656729	253.477268	177.232147	180.979129	197.680449	217.314954	231.365439	157.643163	183.077279	177.203238	194.847699	179.659042	199.827025	207.117385	191.759646	170.355003	196.417785	194.860644	186.845442	200.794844	200.678729	155.364621	142.664965	151.933890	132.095555	152.126861	246.011620	236.154078	133.987985	158.517430	159.610390	152.097163	154.158676	173.945623	147.978593	150.070848	147.052995	177.344370	205.354101	206.074289	136.458822	131.138453	132.109037	127.548144	138.308439	149.331876	139.229496	130.368964	154.479891	126.654699	127.663498	151.529135	142.077194	135.116341	133.446356	145.729101	160.241257	157.267543	195.313487	192.226845	176.426726	145.320284	154.415839	130.464266	134.105906	167.913019	134.093976	147.444720	163.680139	137.498477	122.209781	120.245290	132.878187	138.825502	138.674385	138.302995	124.561738	131.115241	130.397732	150.746390	243.022253	146.290303	141.071553	138.157999	154.901286	166.391640	166.160283	156.375564	154.348319	150.514187	279.354016	217.637833	168.392543	168.924724	146.686231	155.168801	150.442831	144.795831	180.798116	175.554039	154.432593	177.784324	214.646294	138.774340	172.324402	147.766951	172.023579	173.453351	154.427600	194.112336	154.616341	171.983444	151.356047
_de	11.000000	192.000000	192.000000	80.000000	72.000000	29.000000	44.000000	101.000000	72.000000	78.000000	57.000000	83.000000	192.000000	192.000000	192.000000	11.000000	192.000000	11.000000	11.000000	192.000000	24.000000	210.000000	192.000000	107.000000	192.000000	708.000000	73.000000	707.000000	625.000000	2709.000000	849.000000	513.000000	48.000000	385.000000	193.000000	1128.000000	191.000000	893.000000	1758.000000	292.000000	91.000000	72.000000	158.000000	192.000000	468.000000	231.000000	456.000000	203.000000	182.000000	389.000000	126.000000	35.000000	185.000000	212.000000	13.000000	13.000000	13.000000	490.000000	62.000000	578.000000	294.000000	208.000000	487.000000	764.000000	492.000000	1280.000000	617.000000	659.000000	668.000000	247.000000	405.000000	248.000000	514.000000	134.000000	161.000000	578.000000	109.000000	65.000000	360.000000	103.000000	245.000000	148.000000	135.000000	13.000000	102.000000	383.000000	263.000000	124.000000	425.000000	189.000000	284.000000	278.000000	414.000000	180.000000	87.000000	172.000000	646.000000	250.000000	460.000000	137.000000	117.000000	70.000000	248.000000	313.000000	169.000000	632.000000	155.000000	184.000000	249.000000	156.000000	37.000000	126.000000	89.000000	399.000000	276.000000	229.000000	709.000000	115.000000	569.000000	63.000000	863.000000	22.000000	48.000000	59.000000	489.000000	58.000000	54.000000	13.000000	85.000000	277.000000	440.000000	781.000000	1111.000000	434.000000	238.000000	233.000000	525.000000	222.000000	153.000000	104.000000	1308.000000	177.000000	451.000000	26.000000	17.000000	192.000000	192.000000	695.000000	162.000000	145.000000	288.000000	122.000000	446.000000	895.000000	519.000000	325.000000	919.000000	553.000000	529.000000	382.000000	557.000000	331.000000	309.000000	496.000000	405.000000	417.000000	441.000000	578.000000	513.000000	567.000000	944.000000	328.000000	563.000000	374.000000	590.000000	713.000000	408.000000	652.000000	563.000000	534.000000	647.000000	389.000000	342.000000	512.000000	249.000000	284.000000	183.000000	275.000000	254.000000	301.000000	457.000000	790.000000	379.000000	576.000000	825.000000	841.000000	383.000000	716.000000	518.000000	747.000000	109.000000	297.000000	67.000000	270.000000	559.000000	1090.000000	398.000000	220.000000	193.000000	241.000000	383.000000	920.000000	461.000000	685.000000	432.000000	134.000000	668.000000	117.000000	504.000000	461.000000	61.000000	370.000000	127.000000	288.000000	144.000000	244.000000	39.000000	192.000000	28.000000	111.000000	582.000000	545.000000	245.000000	405.000000	304.000000	192.000000	30.000000	192.000000	192.000000	634.000000	66.000000	192.000000	303.000000	186.000000	167.000000	94.000000	130.000000	150.000000	241.000000	599.000000	397.000000	323.000000	744.000000	522.000000	63.000000	633.000000	793.000000	564.000000	35.000000	264.000000	191.000000	33.000000	22.000000	192.000000	35.000000	89.000000	54.000000	13.000000	11.000000	52.000000	26.000000	599.000000	109.000000	76.000000	52.000000	35.000000	24.000000	43.000000	13.000000	91.000000	128.000000	139.000000	244.000000	100.000000	43.000000	351.000000	39.000000	117.000000	13.000000	65.000000	587.000000	588.000000	165.000000	450.000000	172.000000	198.000000	135.000000	13.000000	115.000000	87.000000	336.000000	118.000000	242.000000	174.000000	79.000000	120.000000	67.000000	96.000000	174.000000	349.000000	191.000000	356.000000	1027.000000	376.000000	146.000000	318.000000	3208.000000	5938.000000	2559.000000	1197.000000	226.000000	227.000000	187.000000	104.000000	220.000000	155.000000	260.000000	141.000000	100.000000	152.000000	122.000000	63.000000	152.000000	13.000000	139.000000	178.000000	208.000000	114.000000	283.000000	115.000000	636.000000	552.000000	488.000000	534.000000	454.000000	390.000000	150.000000	295.000000	368.000000	336.000000	283.000000	407.000000	16.000000	241.000000	328.000000	215.000000	945.000000	65.000000	192.000000	22.000000	26.000000	65.000000	37.000000	180.000000	24.000000	102.000000	43.000000	192.000000	52.000000	259.000000	192.000000	192.000000	11.000000	173.000000	86.000000	15.000000	26.000000	98.000000	73.000000	167.000000	182.000000	13.000000	128.000000	198.000000	52.000000	26.000000	174.000000	114.000000	171.000000	1094.000000	351.000000	154.000000	125.000000	222.000000	175.000000	163.000000	192.000000	26.000000	192.000000	70.000000	26.000000	37.000000	9.000000	37.000000	85.000000	143.000000	270.000000	15.000000	24.000000	310.000000	128.000000	26.000000	123.000000	63.000000	109.000000	33.000000	98.000000	192.000000	192.000000	13.000000	126.000000	159.000000	3492.000000	4775.000000	389.000000	192.000000	52.000000	31.000000	192.000000	26.000000	54.000000	37.000000	192.000000	13.000000	192.000000	192.000000	192.000000	35.000000	28.000000	772.000000	13713.000000	4609.000000	272.000000	117.000000	11.000000	263.000000	325.000000	408.000000	85.000000	387.000000	338.000000	258.000000	606.000000	1494.000000	781.000000	566.000000	1246.000000	1190.000000	2247.000000	11346.000000	765.000000	962.000000	192.000000	779.000000	498.000000	891.000000	2097.000000	1438.000000	28.000000	762.000000	1258.000000	982.000000	379.000000	197.000000	197.000000	361.000000	1752.000000	11900.000000	1175.000000	798.000000	73.000000	91.000000	735.000000	144.000000	192.000000	200.000000	144.000000	229.000000	192.000000	24.000000	13.000000	24.000000	11.000000	1722.000000	3663.000000	3336.000000	192.000000	24.000000	226.000000	316.000000	98.000000	13.000000	30.000000	184.000000	524.000000	205.000000	39.000000	192.000000	192.000000	26.000000	192.000000	15.000000	61.000000	52.000000	13.000000	24.000000	192.000000	192.000000	192.000000	28.000000	22.000000	35.000000	11.000000	81.000000	141.000000	113.000000	169.000000	123.000000	277.000000	264.000000	106.000000	46.000000	24.000000	7.000000	30.000000	192.000000	192.000000	234.000000	192.000000	39.000000	13.000000	13.000000	115.000000	236.000000	192.000000	79.000000	111.000000	26.000000	11.000000	93.000000
de	748.269078	738.514997	709.930981	653.911157	755.402831	828.627678	804.455823	815.614173	786.091528	734.555595	681.797093	803.507539	874.126024	833.323453	779.690405	772.491566	794.234772	929.449287	879.028448	807.686229	755.239410	769.896702	748.663150	711.692737	707.514102	738.057276	788.023214	782.003281	779.941992	746.691870	701.400418	687.459972	710.136139	737.224169	779.012231	747.307751	752.398601	767.022021	696.206568	773.289988	740.308049	765.495200	770.295927	784.771736	748.883061	708.970792	843.955253	829.387238	814.178446	776.786977	780.907035	736.559907	648.697456	778.802788	823.705158	855.931252	783.724223	798.660194	783.334897	685.039540	800.117725	804.203395	829.478142	830.290340	862.285594	796.069643	764.502631	853.246217	868.259966	835.294408	810.536530	801.100450	837.120491	731.104274	853.017411	879.967728	830.154960	818.794489	823.076694	803.209334	782.408825	894.913842	871.783940	857.321853	866.747708	856.708277	831.569670	747.861664	825.346667	867.015675	834.561263	816.472447	794.957775	771.032218	835.829528	867.670500	869.573249	842.288360	852.613820	832.181130	821.539513	777.867468	878.886695	856.872647	859.446005	857.932174	854.639122	798.817134	760.523865	861.649265	873.160031	875.573656	871.532543	864.082199	826.375224	767.486766	870.531947	882.492868	849.811764	838.100857	840.580870	815.183002	787.058442	909.902370	892.566958	863.216738	893.349270	867.747925	831.662255	823.776835	979.603705	976.844091	993.444948	950.503471	902.514834	872.321609	864.142485	1084.921950	1038.421001	995.444514	1019.095704	1007.738488	912.789635	946.960921	1063.639258	1006.345284	931.005261	916.453761	894.086321	865.305310	836.100179	996.734393	950.542686	900.248495	902.393448	1012.226040	1092.151380	1024.755004	1160.470874	1290.987118	947.728942	899.766936	892.740874	835.793649	823.006373	932.990101	1015.618702	917.334138	918.311900	911.962114	846.234556	841.218203	973.870288	920.158892	847.970847	809.020773	770.829555	904.938710	979.847399	1005.118349	925.211531	947.316727	893.412052	833.269621	1017.680561	1034.984759	1089.502929	1114.152601	1026.193524	1060.888160	1037.194853	1027.492596	1016.419076	1144.798828	1244.174649	1088.424771	1047.061344	1094.867549	1129.310408	1053.610376	1161.009139	1096.623719	1093.326897	1086.015756	1016.142404	1047.209443	963.152763	1090.179015	1070.471986	1026.216087	1014.904486	1007.694012	961.960135	996.704100	1157.517167	1113.591067	1014.619868	1000.340647	967.988935	907.760916	886.974508	1036.965748	1127.802517	1004.004692	969.781418	969.243369	928.242122	928.838396	1033.035933	1016.325161	994.726257	966.958751	908.303873	870.784862	904.402723	994.413733	992.644275	915.486278	1053.254000	961.437436	930.204290	836.370424	1092.470223	1178.741037	970.594701	972.316727	989.763004	908.059934	855.803412	1060.365162	1003.942507	966.783425	935.611000	886.174161	910.100830	852.814042	1016.252970	1033.534767	955.907930	960.030726	881.149889	968.033926	821.372891	926.101481	933.576531	894.136031	917.896675	944.368769	1158.224250	855.891007	983.435293	1028.735450	1078.561371	949.745702	865.034740	942.728128	808.643489	887.927212	979.771384	975.304822	926.374790	923.505776	982.114878	826.081033	970.045208	938.157292	962.827385	935.242420	873.173049	899.027255	828.438792	988.931035	942.045208	914.973396	866.379536	894.451673	887.727857	843.182866	1018.821527	985.868715	981.062998	920.195829	881.837202	853.697917	778.661794	925.338206	862.516217	902.445409	845.258312	776.406086	757.240766	708.534387	811.130200	901.164533	901.632722	848.052747	868.473776	858.172371	885.253810	994.161767	1044.512095	921.964067	859.131963	846.806368	813.918832	756.451239	839.782964	957.899414	911.540733	861.203911	832.252617	827.881515	815.178527	919.686717	948.902370	883.077182	912.547757	882.315995	869.613115	878.941639	932.868037	992.971877	907.814124	896.830721	901.391956	911.797472	920.179829	1175.755248	1115.570944	1064.080436	959.275099	1002.850220	936.978901	842.560802	955.607637	1002.165862	993.243044	966.770407	887.206921	902.560964	867.300130	1074.170500	1227.570022	1043.798042	881.894587	907.458182	868.980989	897.868824	992.799317	862.495173	880.271112	931.252346	915.754814	799.842247	753.125807	939.357244	992.642702	959.348918	996.863725	888.447117	847.465070	754.563676	818.318897	815.301595	779.843386	792.999051	811.914981	790.785621	763.431469	811.520611	829.625970	774.348809	819.867061	810.363291	750.415279	672.073277	794.047730	779.934642	837.855508	789.707545	799.037154	783.882004	704.661442	740.684141	809.091013	820.943592	830.924662	838.148343	857.707273	789.255573	856.331507	835.526496	824.213484	826.358518	834.264468	801.451836	777.044422	889.419428	850.723735	798.964338	793.692032	784.367088	733.541249	657.389000	781.867929	852.309975	807.993708	774.809676	783.869908	761.804035	708.250420	875.743342	877.941503	831.745647	812.331073	776.244807	801.021479	737.981288	846.518441	869.224142	828.925883	812.181402	803.488501	807.229511	803.679720	887.044259	871.625970	839.947334	827.989044	806.843928	783.910723	695.959185	782.164208	890.616559	854.042713	830.936541	844.703016	805.794083	868.958562	1007.094104	1163.018712	1054.881298	951.622390	827.253946	807.258746	770.056896	883.285025	903.404350	874.971959	837.978603	885.856837	943.475810	774.459646	921.287818	932.527228	885.558171	886.495634	877.490129	877.101345	789.825433	897.466833	894.175842	880.704995	850.581792	874.563161	842.761458	766.651218	895.640044	900.950941	962.806666	922.569317	855.888512	842.121278	824.835467	1010.372620	985.040950	953.260156	1265.828172	987.746352	1003.889244	895.045561	1014.465152	1025.730460	935.103162	958.862613	920.649997	873.144655	882.721294	967.880078	925.475701	907.788469	855.096003	892.443293	824.687124	846.570592	1001.452894	1001.048354	938.019363	853.352308	843.140587	835.136682	793.112979	929.100233	906.010577	868.633075	862.399577	939.579785	903.299778	767.454575	918.221131	919.368227	866.679612	919.394967	856.959023	801.517682	753.016082	877.201199	1072.342002	876.688181	872.429707	836.056924	846.415089	817.959592	1290.908825	1213.845420	1091.727152	1038.956907	1000.697321	955.019689	898.415632
en	3699.986672	3688.549667	3509.763578	3647.536381	3761.088692	4035.626885	3829.172886	3621.479071	3702.149938	3681.276676	3700.044565	4052.993003	4016.116264	4038.056102	3745.556289	3788.103145	3637.659038	3516.470658	3723.403623	3903.324594	3725.897439	3670.154040	3616.903103	3521.684569	3528.428072	3768.189254	3825.872116	3771.326218	4373.224052	3463.246501	3354.614827	3364.601083	3642.698959	3447.752103	3702.168388	3707.183590	3713.217284	3779.046731	3612.324844	3759.248126	3692.633819	3685.987026	3698.902582	3650.649125	3614.836214	3614.016160	3844.948313	3892.770179	3763.202478	3620.249688	3626.622595	3558.571720	3515.734777	3878.325115	3858.595002	3670.588713	3507.477468	3504.818638	3405.655914	3500.039317	3675.406726	3970.021116	3571.966805	3585.553978	3523.978655	3468.080342	3560.110579	3754.202166	3976.129384	3819.226197	3719.555435	3626.702228	3751.428217	3680.402124	4075.142420	3893.188713	3748.461204	3641.638900	3777.026010	3601.178217	3538.031487	3938.762474	4092.282965	3830.377239	3923.207122	3642.165389	3569.536964	3534.004311	3770.179238	3920.131820	3654.389442	3783.474594	3654.015015	3648.482049	3729.374011	4093.455935	4000.428488	3752.845252	3825.548563	3836.770596	3918.083819	3993.226781	4182.125718	4271.998376	4228.392461	4386.970033	4106.385194	3591.813244	3666.417097	3950.447709	4129.517826	4151.953249	4133.298209	4038.538234	3870.855977	3785.722782	4145.112203	4202.415056	4216.885444	4119.207309	3931.860496	3784.545044	3693.662266	3847.378946	4240.998584	4079.651520	3986.116951	4067.703457	3776.203603	3666.955789	3989.142441	4143.780383	3978.900396	3941.347418	3881.951687	3672.143794	3764.559038	4157.368117	4239.656830	4051.143003	3948.748501	3912.111766	3826.842461	4038.737672	4276.205373	4350.197605	4126.851062	4078.788401	3926.090754	3904.588880	4096.837359	4239.576760	4443.847043	4159.462037	3947.516285	3974.512828	3820.894981	3770.652853	4049.031758	4419.237609	4204.078759	4052.135923	3892.918388	3922.174177	3746.769867	4163.444148	4262.293107	3992.083319	3989.651687	3969.445169	3965.521033	3887.520637	4088.884382	4295.969096	4066.836318	4052.399688	3853.459954	3825.179883	4276.109434	4355.413536	4377.645439	4303.541087	4110.843232	3872.061224	4301.071887	4620.081695	4752.172699	4805.086651	4353.747064	4376.018721	4342.362411	4257.411308	4429.899354	4641.802707	6230.934590	5035.428842	4469.394127	4897.982216	4532.178009	4440.180008	4783.434840	4878.677280	4730.464140	4474.894794	4422.846210	4518.192170	4365.344315	4707.295939	5082.916368	4598.510162	4503.703853	4239.346272	4246.932611	4284.483965	4841.276281	5073.708184	5075.017347	4748.808830	4610.231279	4697.329030	4314.396772	4909.212349	5640.614077	4686.084965	4686.916451	4201.396210	4420.066035	4440.244940	4935.084736	4960.187130	5167.237713	4746.731529	4418.375115	4341.808288	4347.833944	4730.961141	5074.069950	4621.794107	4635.919242	4678.266097	4379.879717	4331.114327	4707.890171	6169.920929	4732.820367	4662.484694	4601.462057	4528.962870	4734.015098	5131.473969	5086.473365	4623.938005	4519.866910	4184.200021	4127.813474	3956.860516	4011.808372	4388.137401	4064.645814	4297.569992	4045.820970	3761.435423	3707.895419	3928.045190	4026.141087	3856.979050	3859.596189	3816.286943	3913.809059	3879.493544	4136.349521	4347.883278	4156.784257	3919.592066	3794.894794	3764.904498	4425.096606	4833.431237	5028.138880	4767.804332	4846.314369	4177.026635	4019.536880	4121.463599	4352.009538	4416.295335	4190.826593	4154.415764	4005.117847	3895.318284	3791.286152	4068.274698	4335.890462	4276.181424	4293.610537	4842.919596	4606.133944	4188.366327	4515.388401	4587.362516	4220.243440	4146.220991	4133.294461	3935.969721	4047.368992	4226.773344	4522.760287	4384.058934	4344.835860	4080.386693	4113.620367	4064.842732	4345.545044	4422.106747	4252.666056	4084.163286	4127.229071	3980.234736	4088.157705	4427.178738	4509.028759	4220.363411	4184.338817	4076.113765	3824.251791	4153.714556	4130.613953	4472.530925	4131.695481	4060.866639	3982.033257	3793.903540	3952.207393	4132.428905	4307.471845	4152.225906	4043.861933	3922.064806	3856.756352	4302.005768	4600.701603	4615.886235	4293.390858	4264.692128	4158.976177	4158.717930	4516.433965	4794.177926	4910.051541	4759.166431	4349.196335	4201.865306	4014.157851	4071.537943	4482.029134	5021.667347	4314.446293	4397.786172	4233.526135	4265.635235	4225.605914	4454.457684	4653.044502	4388.413578	4181.387401	4532.187901	4255.462037	4380.016431	4437.567076	4653.760079	4612.552624	5168.843690	4425.556581	3999.818263	4248.078780	4889.976072	4968.380966	4323.063911	4195.819034	4143.496835	4058.419825	4229.452228	4455.872470	4491.551229	4627.093294	5743.735006	7035.052145	7752.654207	7663.828905	8082.058892	8399.197209	8475.422511	8123.955664	7987.473115	7669.135777	7401.612620	7902.561433	8144.959142	7779.152041	6930.722699	6440.964182	6594.347064	7230.811724	7414.101812	8127.003769	7834.577718	8261.399917	7878.588484	7977.811058	7962.126010	8172.180966	8395.640983	7424.733778	4805.659100	4699.358809	4602.471345	4686.269658	5217.746314	5136.751895	4786.773282	4554.744960	4395.391066	4271.690816	4699.126593	5055.291004	5734.209350	6147.831445	6173.611766	6092.740712	6152.967638	6428.183215	6528.321158	5872.895398	5479.824552	4900.390587	4516.603644	4355.313911	4766.990775	5006.486589	4805.115431	4969.359392	4941.164744	5073.132174	4317.433590	4570.864244	4836.958205	5085.788588	4580.965660	4705.262766	4580.413536	4522.793315	4517.405414	4838.085610	4880.882882	4886.742399	4765.511412	4618.275281	4405.774282	4704.363474	4965.004873	5222.730779	5042.817097	5447.979571	5436.979467	4354.824261	4747.473594	5232.791795	5203.702791	4560.396272	4532.026197	4644.144419	4475.538463	4752.350541	5017.428571	5194.698251	4889.079238	4841.050541	4930.564369	4530.536943	4614.528155	4934.028863	5128.727530	4835.614910	4663.266597	4620.276197	4259.249792	4475.396460	4919.583715	5073.148334	4798.000646	4958.405394	5141.658767	4783.680342	5028.240275	5405.233632	5459.937318	5515.039921	7602.484027	6243.618451	5615.616035	5455.953665	5994.157747	6060.320491	5411.209496	5249.151041	5008.257393	4798.757934	4851.398980	5000.508955	5401.762890	5394.093648	4915.597147	4624.380675	4522.132611	5113.526760	5342.106143	4895.737089	5039.180487	4709.966327	4658.619284	4588.075739	5166.426926	5218.600812	5329.009142	5286.961558	4983.505810	4882.645002	4545.169513	4735.979925	4922.312078	5064.444357	4821.117701	5063.441087	4608.754623	4345.563203	4342.664536	5017.024636	5471.423907	5350.263224	4967.593253	5035.755748	4719.243336	5009.433923	5176.930154	5810.180550	6081.584736	5900.938067	6287.405998	5239.806185	5165.529030
es	1124.820419	1076.750516	993.822199	934.806317	1013.400292	1149.757318	1122.161776	1090.163058	1069.704936	975.865430	881.295207	998.521330	1128.683249	1183.224236	1119.941528	1068.381383	965.186169	844.355530	900.841215	1051.858735	1041.649455	1070.707108	1007.518873	899.005662	808.492201	888.467239	1017.945018	1010.488213	1021.432982	972.736415	882.276298	774.640553	846.979133	871.401253	1049.602486	1061.814935	1062.764155	948.248522	874.919771	953.756143	1016.904387	1174.998611	1180.714906	1140.587280	979.187415	852.308596	924.366534	1132.146962	1233.487002	1241.803290	1178.897764	1079.124991	923.182252	1071.010932	1314.233566	1520.008048	1536.142939	1491.112136	1273.270672	989.128908	1189.421800	1468.000677	1545.636173	1544.085998	1499.113097	1250.428246	1031.967773	1197.337583	1507.261164	1562.121786	1541.773485	1455.660815	1242.490599	1003.121181	1145.780429	1414.174631	1358.159177	1314.119009	1489.310947	1239.423510	1007.604052	1200.117691	1484.935510	1538.335054	1539.908091	1420.610284	1170.725981	1020.963250	1202.311196	1472.774838	1539.225874	1519.449256	1436.626059	1228.668507	1012.387437	1160.628054	1408.296346	1499.967381	1491.794922	1430.482302	1251.041806	1057.996617	1204.659640	1591.975180	1650.876398	1618.771419	1529.886297	1286.222741	1096.671355	1282.642582	1516.879959	1574.842390	1582.989317	1511.178442	1275.657111	1087.401147	1245.127733	1498.436863	1587.105406	1553.392707	1426.501923	1174.436258	989.624599	1042.956556	1328.249234	1436.255573	1524.016986	1491.857311	1269.043159	1031.904173	1212.451428	1485.753151	1546.602094	1496.723844	1439.189944	1226.794922	1061.180970	1142.527491	1380.050068	1502.575671	1581.611495	1458.202407	1199.370522	1015.231429	1195.131437	1444.764582	1565.773022	1460.991418	1329.100385	1139.149028	952.524001	1083.927605	1252.549890	1261.932946	1250.165337	1189.213055	1013.972545	832.261199	919.564134	1113.087601	1169.388149	1157.568229	1136.657040	957.461969	850.552916	948.571861	1090.142226	1024.912934	991.834520	947.521936	817.162488	769.286411	828.864789	837.961506	792.144790	741.001602	675.219215	666.302792	779.582330	791.722491	874.422691	885.670394	807.727299	722.804644	716.202443	851.409622	874.951357	945.275372	1050.750801	956.766363	994.963820	1082.156043	1050.307243	1148.388469	1531.514066	1427.158464	1329.068371	1329.395663	1204.400114	1057.515989	1090.240581	1275.176946	1362.894666	1350.089025	1335.076811	1251.577808	1027.449256	1155.287444	1404.281034	1484.492237	1570.805569	1409.376896	1154.225661	1063.213482	1281.388897	1310.131365	1434.651129	1515.440318	1488.201873	1252.998682	1093.183570	1207.728046	1528.012179	1524.018588	1836.414572	1566.708140	1264.722313	1128.300904	1300.437683	1462.232426	1575.589737	1649.529271	1537.286091	1287.323695	1116.545474	1296.485008	1474.487857	1543.472687	1538.760416	1443.761413	1218.955060	1102.110533	1316.212093	1832.287017	1654.457517	1647.118296	1593.797165	1433.315789	1273.229756	1427.414999	1615.259989	1708.667937	1680.426359	1523.529806	1348.705755	1102.579090	1304.710313	1515.887508	1573.495940	1611.410904	1460.298020	1214.385514	1018.802293	1115.861406	1213.262410	1217.848052	1105.227584	1099.063065	1135.789581	1159.333274	1287.804679	1508.244463	1471.173385	1498.850438	1444.922370	1240.022434	1132.375757	1317.604337	1529.713446	1562.056015	1632.197422	1540.864468	1291.223275	1075.657432	1298.076775	1586.239299	1534.165729	1539.370344	1527.762446	1270.395591	1055.066626	1273.956200	1476.224201	1553.505840	1591.771704	1575.381988	1372.477637	1153.654761	1325.731536	1453.036750	1555.895485	1478.183427	1403.015455	1181.053629	1045.160245	1249.664696	1467.944876	1546.103554	1517.248487	1458.248914	1295.316644	1071.200769	1203.635567	1451.201268	1484.805961	1499.554412	1442.469447	1191.285699	1094.147746	1237.566235	1432.217470	1567.803397	1728.475002	1448.366106	1310.915284	1150.236700	1272.843921	1524.226622	1487.757710	1525.504309	1377.075956	1147.536892	1137.343387	1249.054305	1463.041094	1479.728723	1464.443273	1410.111673	1210.752938	1155.461363	1291.928673	1484.923047	1507.059896	1520.237376	1407.615732	1222.015170	1066.827256	1345.903354	1417.630119	1542.060608	1413.284560	1290.900363	1193.054198	1060.392529	1149.196781	1347.808062	1395.866000	1314.138202	1199.580016	1106.518802	1004.869525	1132.857952	1402.202122	1290.743537	1276.179546	1114.593405	1012.770102	983.422014	1048.229328	1118.473613	1174.621110	1141.360943	1127.278506	973.762410	914.928068	1168.584716	1154.884054	1149.843387	1115.821701	1075.648992	1027.271669	880.022826	966.201161	1087.223097	1070.433302	1062.199309	1052.332206	998.554946	861.512570	958.871697	1094.793177	1102.956342	1072.350723	1103.169005	1002.796346	860.663450	971.449683	1078.437255	1086.645431	1149.986931	1076.053379	1058.238836	1055.741365	1087.684495	1272.013852	1309.344812	1306.393882	1262.832597	1116.366320	1018.323410	1088.882594	1324.178014	1356.827327	1335.925290	1303.284097	1195.774838	1053.589274	1262.637918	1380.787693	1444.430098	1523.786803	1582.533651	1231.176768	1016.962111	1308.266541	1634.383591	1625.362154	1587.079410	1520.638345	1261.193968	1029.756712	1318.416744	1553.851364	1597.732783	1647.045438	1495.808062	1273.876718	1037.808846	1278.279254	1528.979560	1722.599601	1502.357382	1321.614629	1122.062602	1021.204757	1237.288370	1446.735631	1512.768321	1518.445410	1508.547611	1266.207286	1000.438145	1208.521402	1472.047076	1514.329927	1492.465245	1429.166477	1152.570152	1027.169041	1197.605833	1469.756641	1509.659604	1504.138131	1403.886867	1252.607044	994.643473	1192.416138	1388.885834	1466.339078	1580.958479	1437.327327	1224.950146	1052.960687	1373.831493	1441.827292	1495.187914	1533.262339	1476.166940	1327.952817	1077.780856	1257.161776	1539.307421	1576.082081	1497.614949	1405.317534	1191.192971	962.403924	1151.832028	1306.714087	1305.181362	1358.645787	1385.510149	1228.211915	1060.297593	1277.849797	1466.441457	1628.660316	2134.566662	1647.134000	1386.404601	1125.278933	1313.751335	1533.678086	1569.807065	1467.951392	1370.245495	1206.202122	1000.324728	1128.942988	1317.524037	1464.695072	1459.860907	1331.713553	1129.107970	1190.894559	1372.447190	1391.385941	1638.488925	1418.835197	1267.665480	1133.095328	916.618047	1068.114486	1201.056299	1276.549355	1170.411830	1132.181291	1022.338758	867.712520	964.149811	1094.648992	1092.348586	1150.543302	1015.325511	923.678477	869.157859	1017.336408	1138.203725	1105.357916	1079.950395	986.119329	937.551634	882.705612	906.077096	1198.216722	1135.945873	1180.994089	1114.683107	823.661705	789.299694

language	NA	_de	de	en	es	fr	ja	ru	zh
2015-07-01	124.284493	11.0	748.269078	3699.986672	1124.820419	518.275576	623.080703	691.852568	300.511928
2015-07-02	128.301077	192.0	738.514997	3688.549667	1076.750516	521.232645	709.462561	702.874850	300.816903
2015-07-03	123.393474	192.0	709.930981	3509.763578	993.822199	503.030516	644.695993	655.785690	298.917792
2015-07-04	111.330127	80.0	653.911157	3647.536381	934.806317	534.642391	799.631563	620.469613	301.842952
2015-07-05	119.047298	72.0	755.402831	3761.088692	1013.400292	525.623191	768.694764	656.572081	317.261095

NAN Values¶

Data Processing¶

Filtering all rows which is not having NAN Values.¶

New Shape of Data¶

NAN Values are fixed now¶

Data Frame after imputation¶

EDA On the basis of Trend of language¶

Full form of all language code¶

Observation¶

Converting data to its General Form¶

Pageview Trend of Different Languages¶

Trend and Seasonality Check for Each Trends of PageViews¶

Observation¶

Observation¶

Observation¶

Observation¶

Observation¶

Observation¶

Observation¶

Observation¶

Observation¶

Overall Observation from Above EDA Analysis¶

Stationarity Check For Data¶

Observation¶

Observation¶

Training model for different languages Using ARIMA Model¶

Model for JA Language Code¶

Model EN Language Code¶

Model DE Language Code¶

Model _DE Language Code¶

Model RU Language Code¶

Training model for different languages Using SARIMAX Model¶

Questions¶

	index	Language
0	en	24010
1	ja	20340
2	de	18437
3	fr	17761
4	NA	17728
5	zh	17103
6	ru	14990
7	es	14041
8	_de	1

	NA	_de	de	en	es	fr	ja	ru	zh
index
2015-07-01	124.284493	11.0	748.269078	3699.986672	1124.820419	518.275576	623.080703	691.852568	300.511928
2015-07-02	128.301077	192.0	738.514997	3688.549667	1076.750516	521.232645	709.462561	702.874850	300.816903
2015-07-03	123.393474	192.0	709.930981	3509.763578	993.822199	503.030516	644.695993	655.785690	298.917792
2015-07-04	111.330127	80.0	653.911157	3647.536381	934.806317	534.642391	799.631563	620.469613	301.842952
2015-07-05	119.047298	72.0	755.402831	3761.088692	1013.400292	525.623191	768.694764	656.572081	317.261095